基于质谱数据的蛋白质鉴定算法主要分为两类:数据库搜索和肽段从头测序。肽段从头测序方法不依赖于数据库信息,直接根据谱图中谱峰信息推断肽段序列。尽管该方法已经成为基于质谱数据的蛋白质鉴定的主流方法之一,目前仍然缺乏假发现率的质量控制手段。前人研究表明[1],从头测序方法得到的高分结果,其全长序列正确率不足70%。由于缺乏数据库信息,从头测序方法无法借助反库序列来模拟随机匹配,从而无法基于目标诱饵库的策略[2]来估计并控制FDR(false discoveryrate)。实际上,从头测序得到的结果往往存在部分氨基酸正确、部分错误的情况,所以我们进一步需要去估计氨基酸层次的假发现率(FAR, false amino-acid rate),FAR的概念是由本文第一次提出,其定义为超过某打分阈值的错误氨基酸数目除以所有氨基酸数目。本文提出了一种新的评估方法 p Site,可以估计从头测序结果中每个氨基酸的可信度,从而估计FAR。p Site针对待估计的氨基酸,将其领域氨基酸组成的序列标签进行全枚举,得到质量近似等于原始序列标签的背景序列标签,然后与剩余氨基酸连接得到背景肽段,计算原始肽段与打分最好的背景肽段间的打分分差作为特征,使用机器学习方法 SVM[3]对待估计氨基酸进行可信度的打分(如图1)。对于所有氨基酸的打分分布,使用两个Gamma分布去分别拟合正确、错误氨基酸的打分分布,并且使用EM算法[4]估计分布的参数,从而可以估计任意打分阈值之上的FAR。