본 논문은 다양한 딥러닝 기반 단백질체학의 de novo 펩타이드 서열 분석 방법들의 성능 한계를 극복하기 위해, 여러 서열 분석 모델들의 강점을 활용하는 새로운 딥러닝 기반 재순위 지정 프레임워크인 RankNovo를 제시한다. RankNovo는 후보 펩타이드들을 다중 서열 정렬(multiple sequence alignments)로 모델링하고, 축 방향 어텐션(axial attention)을 이용하여 후보들 간의 정보가 풍부한 특징들을 추출하는 목록별 재순위 지정(list-wise reranking) 접근 방식을 사용한다. 또한, 서열 및 잔기 수준에서 펩타이드 간의 질량 차이를 정량화하는 PMD(Peptide Mass Deviation)와 RMD(residual Mass Deviation)라는 두 가지 새로운 지표를 도입하여 세밀한 감독 학습을 제공한다. 실험 결과, RankNovo는 재순위 지정 사전 학습을 위한 후보 생성에 사용된 기본 모델들을 능가하며 새로운 최첨단 성능을 달성했음을 보여준다. 더 나아가, RankNovo는 훈련 중에 노출되지 않은 모델의 생성물에도 강력한 제로샷 일반화 성능을 보여, 견고성과 펩타이드 서열 분석을 위한 범용 재순위 지정 프레임워크로서의 잠재력을 강조한다.
