基于Transformer架构的 SpecGP 模型，其采用注意力增强的糖链碎片编码策略并结合多层感知机实现不同碎裂能量兼容的完整糖肽结构谱图预测。SpecGP 通过提升碎片离子覆盖度实现N-糖肽结构图谱的高精度预测，并通过预测不同HCD能量下的糖肽谱图增强关键特征离子的检测率；采用的多任务学习框架显著改进了洗脱时间预测；引入自监督加权训练策略，基于实验谱图与预测谱图的差异为初始结构分配置信权重，迭代优化损失函数，不断降低训练数据中结构错误标签的影响，最终实现了同分异构糖链辨识能力的显著提升。在实际应用中，SpecGP 在缺少特征离子的情况下也能准确鉴定糖链结构，对 StrucGP 鉴定结果进行重打分后，实现了糖链结构鉴定准确性和糖肽鉴定数量的双重提升。

SpecGP 开源代码：1) Code Ocean:: https://doi.org/10.24433/CO.3765457.v1; 2)  GitHub: https://github.com/Sun-GlycoLab/SpecGP

论文链接：https://www.nature.com/articles/s42256-026-01246-4

文章引用

Xianyong Wang^#, Rui Song^#, Zhuangzhuang Feng, Shisheng Sun*. SpecGP as A Transformer-Based Model for Predicting Energy-adaptable Structural Spectra of Glycopeptides. Nature Machine Intelligence. 2026, 8(6):942-954.