本期于 2026 年 10 月 7 日发布，补入重叠的近 14 天回看窗口内四篇尚未报道的方法文献，包括三篇正式期刊论文和一篇预印本。所列版本首次在线日期为 2026 年 9 月 29 日至 10 月 5 日，并非全部在今天首次发表。2-step 和 PiProteline 的正式版之前均已有预印本。
本期依次讨论跨体系保留时间预测、关注碎片证据的自监督学习、靶向定量与下游蛋白质组学分析。理解这些结果，需要关注真实迁移条件、数据划分、简单基线和透明的质量控制。
阅读深度有所不同：三篇完成了正文或出版社方法文本的定向核查；MRMhub 依据出版社预览与索引文本、元数据和官方文档整理。本期均未开展独立实验或计算复现，具体阅读边界在各条文献中说明。
检索覆盖不完整：部分 ACS ASAP、Molecular & Cellular Proteomics in-press、Talanta 及日期筛选入口不可读取。本期不声称覆盖全部新文；未核实的线索未纳入，索引日期也不单独作为首次在线日期。
Times are changing but order matters: transferable prediction of small-molecule liquid chromatography retention times
Nature Methods · 2026
First online: 2026-10-01
Publication status: 正式期刊论文；此前已有 ChemRxiv 预印本。所列首次在线日期指正式版，不是研究首次披露日期。
Reading scope: 已核查正文和部分 Methods；未完整审计补充材料、原始数据及代码，未独立复现。
DOI: 10.1038/s41592-026-03243-2
2-step 将反相 LC 的保留顺序预测与绝对保留时间映射分开：分子图模型预测顺序，再以目标体系的高置信锚点进行稳健时间映射。作者在化学类别差异较大的划分中，于六个数据集上取得五胜一近似持平。跨体系评测设计值得关注，但方法仍需要目标体系锚点、柱参数和 pH；顺序网络未用目标体系数据训练，并不意味着迁移无需目标体系信息。HILIC 尚未解决，部分生物学示例缺少真实标准品确认，更贴近实际的划分也仍可能偏乐观。
Read paperdIon: Fragmentation-Based Invariance for Self-Supervised Learning of Tandem Mass Spectra
arXiv, cs.LG · 2026
First online: 2026-10-05
Publication status: arXiv v1 预印本，未经同行评审；提交于 2026-10-05 13:09:47 UTC。arXiv 已列出 DOI，并注明 DataCite 注册待完成；请以 arXiv 原文链接为准。
Reading scope: 已核查预印本正文、表 1–3 和部分附录；未完整审计其余附录及代码，未独立复现。
DOI: 10.48550/arXiv.2610.06282
dIon 用前体条件化的混合谱和隐藏前体的局部谱构造自监督视图，鼓励模型利用碎片证据，减少仅凭前体信息学习的捷径。作者报告，在相同下游训练条件下，相对从头训练的肽段精确率提高 2.3–8.4 个百分点。冻结表征未超过简单的分箱谱角基线，最好的检索结果仍需要监督适配。多数评测标签来自搜索引擎，可能继承选择偏差与鉴定错误，计算成本也较高。该研究尚为预印本，其肽段与蛋白质组学结果不能证明向代谢组学的迁移效果。
Read paperMRMhub: a scalable data-processing framework for large-scale targeted metabolomics
Nature Metabolism · 2026
First online: 2026-09-29
Publication status: 正式期刊论文，Correspondence。
Reading scope: 已核查出版社预览与索引文本、作者元数据及官方文档；未取得完整论文和补充基准，未独立复现。
DOI: 10.1038/s42255-026-01629-2
MRMhub 将靶向 MRM 的跨样本峰积分、定量与质量控制串成可追溯流程。INTEGRATOR 利用分析序列中的色谱模式处理保留时间漂移与干扰，QUANT 提供数据验证、定量、伪影校正、过滤及 QC 报告。官方示例覆盖 937 样本与 503 特征，以及 4,591 样本与 829 特征，说明可处理的数据规模，但不是独立准确度评测。完整论文和补充基准尚未取得，因此本期无法判断准确度优势或特定提速倍数。其适用范围为靶向 MRM，不能泛化为非靶向代谢物鉴定。
Read paperPiProteline: An R Package for Integrated Proteomics Data Analysis, from Label-Free Quantitation to Systems Biology
Biology · 2026
First online: 2026-10-01
Publication status: 正式期刊论文；早期预印本发表于 2026-07-14（10.20944/preprints202607.0993.v1）。所列首次在线日期指正式版。
Reading scope: 已核查检索返回的出版社方法、结果、讨论文本及官方仓库；未完整阅读 PDF 和补充材料，未独立重跑补充图 S1，未复现。
DOI: 10.3390/biology15191723
PiProteline 将无标记丰度矩阵的预处理、差异分析、功能富集和蛋白相互作用网络分析整合为 R/Shiny 流程。作者在已知掺样基准中报告，其表现与 DEP、protti 相近，弱于 limma，主要贡献在于分析流程整合。按逐样本最大值合并同基因异构体会丢失异构体信息。加权网络分析建议每组 20–30 个样本；放宽完整检出过滤后采用成对完整观测相关性，仍未解决缺失机制。经验性的网络综合指标不是校准后的发现概率。输入需使用丰度尺度，软件不会自动将 log2 强度转回线性丰度。
Read paper