正文
之所以难以研发有效的整合算法，关键原因之一是所有的搜库算法都会产生一定的假阳性率（FDR），而由于长期以来受限于蛋白质组学技术的精度局限，某一细胞内总共有多少种蛋白质一直就没有标准答案，从而难以准确评价各种方法所带来的FDR，只能毛估，这样一来就存在着很大的不确定性。在没有标准答案的情况下，贸然合并多种算法的结果将导致假阳性率的迅速累积，使得最终结果变得很不可靠。
针对这一蛋白质组学界的“老大难”问题，暨南大学翻译组学实验室利用翻译组测序(RNC-seq)数据作为稳态细胞内蛋白质的“标准答案”，并另辟蹊径，提出了蛋白水平上的一种简单有效的多算法结果整合策略，不用做额外的实验，零成本轻松提高蛋白质组鉴定数量，同时有效降低假阳性率。
由于翻译组测序具有远高于蛋白质质谱的灵敏度和准确性，可以基本穷尽细胞中正在合成的蛋白质，因此被作为人类蛋白质组计划的核心支柱之一（Zhong et al., Journal of Proteome Research 2014），可以用作“标准答案”的基准来评价与整合各算法的蛋白质鉴定结果。分析显示，7种主流搜库算法各行其是，只有一半的蛋白质被所有算法鉴定到；与翻译组“标准答案”相比，其假阳性率都高达4-5%，远超过其自身预估的1%。因此，若取各算法的并集将导致假阳性率的进一步累积上升，若取各算法结果的交集将大幅度降低鉴定的蛋白质数量，皆不可取。
