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。

研究者注意到，那些仅被一个算法所鉴定到的蛋白质，其鉴定质量普遍较低，因此提出一种简便得出奇的整合策略：若有2个或更多个算法鉴定到了同一个蛋白质，则认为此蛋白质鉴定是可靠的。再次采用翻译组“标准答案”进行评价，发现此方法不但显著提高了蛋白质鉴定数量，也同时显著降低了假阳性率，提高了鉴定的可靠性。这一成绩大大优于传统的图谱或肽段水平的整合策略Scaffold和iProphet。

不仅如此，确认了可靠鉴定的蛋白质后，还可以发挥将各算法数学模型各自的优势，将所鉴定出的肽段直接全算在一起，取长补短，从而大幅度提高蛋白质的肽段覆盖率。此项能力不但优于所有的搜库算法，更是传统整合策略所望尘莫及的。