针对现有理论串联质谱图预测仅限于预测b、y主干碎片离子以及单一模型难以捕捉肽序列复杂关系的问题，提出一种基于Transformer和门控循环单元（GRU）的肽序列理论串联质谱图预测方法，名为DeepCollider。首先，通过自注意力机制和长距离依赖关系，使用Transformer和GRU结合的深度学习架构增强对肽序列与碎片离子强度关系的建模能力；其次，与现有方法编码肽序列预测所有b、y主干离子不同，使用碎裂标志位标记肽序列的碎裂位点，从而可针对特定碎裂位点进行编码并预测相应的碎片离子；最后，为了计算预测谱图与实验谱图之间的相似度，使用皮尔逊相关系数（PCC）和平均绝对误差（MAE）作为评测指标。实验结果表明，与现有的仅限预测b、y主干碎片离子的方法（如pDeep和Prosit方法）相比，DeepCollider在PCC和MAE指标上均有优势，PCC值提升了0.15，MAE值降低了0.005。可见，DeepCollider不仅可以预测b、y、a主干离子及其相应的失水失氨中性丢失离子，还可以进一步提高理论谱图预测的谱峰覆盖度和相似性。
