SPHERE-MS: Hybrid Fragment–Vocabulary Modeling for Accurate and Efficient Tandem Mass Spectra Prediction

质谱 计算机科学 人工神经网络 碎片(计算) 一般化 谱线 算法 人工智能 模式识别(心理学) 图形 混合动力系统 数据挖掘 生物系统 串联 片段(逻辑) 相似性(几何) GSM演进的增强数据速率 边距(机器学习) 串联质谱法 训练集 机器学习 质谱法 过程(计算) 搜索引擎
作者
Yitong Guan,Doudou Lou,Dong Chen,Mengyuan Liu,Yuan Zhu,Shuqiang Zhao,Xiangying Zhang
出处
期刊:Analytical Chemistry [American Chemical Society]
卷期号:98 (43): 29903-29913 被引量:2
标识
DOI:10.1021/acs.analchem.6c01723
摘要

Identifying known compounds and elucidating unknown chemical structures from mass spectra remains a significant challenge due to the limited size of experimental reference libraries. Enhancing these libraries with predicted mass spectra through computational methods offers an opportunity to resolve unmatched spectra. In this paper, we present SPHERE-MS (Secondary-loss Powered Hybrid Edge Removal Engine for predicting Mass Spectra), a graph neural network model designed to predict mass spectra from molecular structures. The hybrid approach, combining bond-breaking and vocabulary-based strategies, enables SPHERE-MS to efficiently simulate multilevel fragmentation processes without the need to enumerate all possible bond combinations. Evaluations on the NIST-20, MSnLib, CASMI2022, and MassSpecGym data sets demonstrate that SPHERE-MS outperforms baseline models that rely on single fragment generation strategy, showing higher prediction accuracy and library retrieval success rates. Notably, SPHERE-MS also maintains reasonable accuracy even when applied to molecules with low structural similarity to the training set. This strong generalization capability makes SPHERE-MS a valuable tool for mass spectra prediction across large libraries, including those containing uncommon structures.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
668898发布了新的文献求助10
1秒前
1秒前
1秒前
2秒前
win发布了新的文献求助10
2秒前
2秒前
Jonah完成签到 ,获得积分10
3秒前
轩辕寄翠完成签到 ,获得积分10
3秒前
bubble555完成签到 ,获得积分10
3秒前
前行的灿发布了新的文献求助20
3秒前
TimEs完成签到,获得积分10
3秒前
无辜飞风完成签到,获得积分10
3秒前
TJQ完成签到 ,获得积分10
3秒前
亲爱的安德烈完成签到,获得积分10
4秒前
369ninja发布了新的文献求助10
4秒前
4秒前
Lucas的应助被Posit采纳,获得30
4秒前
4秒前
saber发布了新的文献求助10
5秒前
ZD发布了新的文献求助10
5秒前
研友_LwlNdn的应助被achilles采纳,获得10
5秒前
梅槑完成签到 ,获得积分10
5秒前
杏屿完成签到 ,获得积分10
5秒前
xinyan完成签到,获得积分10
5秒前
幸南山完成签到,获得积分10
6秒前
6秒前
6秒前
zhao完成签到,获得积分10
7秒前
前行的灿发布了新的文献求助10
7秒前
7秒前
拼搏的潘子完成签到,获得积分10
7秒前
8秒前
wsh完成签到 ,获得积分10
8秒前
8秒前
东东发布了新的文献求助10
8秒前
迪迪完成签到,获得积分10
9秒前
9秒前
i学习完成签到,获得积分10
9秒前
9秒前
10秒前
高分求助中
(应助此贴封号)【重要!!请各用户(尤其是新用户)详细阅读】【科研通的精品贴汇总】 10000
拉伸高分子熔体中缠结行为的模拟和小角中子散射研究 1700
The World Atlas of Wine 9th edition 1000
奈特基础组织学:配套组织病理学(第4版)(Netter's Essential Histology With Correlated Histopathology) 800
八旗制度の研究 600
Boundaries and Bodhisattvas 500
高分子基功能界面水蒸发材料与应用研究 500
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 计算机科学 工程类 有机化学 化学工程 生物化学 物理 复合材料 内科学 催化作用 光电子学 人工智能 细胞生物学 无机化学 物理化学 数学
热门帖子
关注 科研通微信公众号,转发送积分 8181279
求助须知:如何正确求助?哪些是违规求助? 9571198
关于积分的说明 21817073
捐赠科研通 7777612
什么是DOI,文献DOI怎么找? 3433454
关于科研通互助平台的介绍 2557692
邀请新用户注册赠送积分活动 2479519