数据非依赖采集（DIA）是蛋白质组学领域近年来快速发展的质谱采集技术,其通过无偏碎裂隔离窗口内的所有母离子采集二级谱图,理论上可实现蛋白质样品的深度覆盖,同时具有高通量、高重现性和高灵敏度的优点。然而,由于DIA数据采集得到的二级谱图高度复杂,对肽段可靠鉴定造成困难,现阶段一个主要研究方向是提高DIA数据的肽段解析率。其中,DIA重排序算法通过衡量肽段谱图匹配结果的可信度,并构建诱饵库作为额外的负例,进行半监督分类学习,将正确肽谱匹配排到前面,经过可信度评估后能够进一步提高鉴定结果数目。然而,目前的DIA重排序算法大多依赖先验知识进行人工特征提取并结合机器学习算法实现重排序,没有充分利用原始数据的深层特征,制约了DIA数据的高通量分析。针对这一问题,本文提出了一种基于多模态融合学习的DIA重排序算法Re-DIA。基于多模态融合学习的DIA重排序算法的核心思想是将DIA数据中的肽段表征为多种模态下的特征向量,利用多个维度上的特征表示模型提高区分正确和错误肽段的能力,进一步提高鉴定结果数目。在Re-DIA中,使用基于图像识别、时间序列信号和基于经验的人工特征来表示单个肽段结果,图像识别深度学习的重排序算法是将肽段3维数据结构与图像识别深度学习结合,利用基于注意力机制的Res Net残差网络模型学习肽段的深层特征,时间序列深度学习的重排序算法是将肽段在保留时间维度上信号强度变换对应数据结构与双向长短时记忆网络LSTM模型结合,人工特征基于经验的打分设计进行计算,使用深度学习的高维表征能力和人工特征共同学习肽段的深层信息,区分结果集合中的正误结果,实现对DIA鉴定结果的重排序。与基于机器学习算法的常用DIA软件方法相比,Re-DIA在传统的基于先验知识的人工特征提取基础上,利用深度学习建模肽段数据结构,自动学习正确和错误的鉴定肽段在数据中的深层特征,同时也支持了对多个软件的鉴定结果读取,对其鉴定结果实现重排序,进一步提高各软件的鉴定能力。本文对比了DIA-NN和Dream DIA两类DIA软件,采用多个数据集实验对比各重排序算法报告的鉴定结果数目。实验结果表明,Re-DIA重排序结果在肽段母离子水平上报告的可信鉴定结果数目较DIA-NN平均高出10.6个百分点,比Dream DIA平均高出10.4个百分点。