Analytical Chemistry· 2026Q1
CCSBase2: Sağlam CCS Tahmini İçin Birleşik Bir Karşılaştırma Veri Seti ve Makine Öğrenmesi Çerçevesi
CCSBase2: A Unified Benchmark Dataset and Machine Learning Framework for Robust CCS Prediction
- 2atıf
- Q1SCImago
- 2026yıl
Kısa özet
Yeni bir veri seti (CCSBase2) ve makine öğrenmesi çerçevesi, kütle spektrometrisi için çarpışma kesiti (CCS) tahmininde %1.73 ortalama bağıl hata elde ederek, çeşitli kimyasal sınıflar ve dağılım dışı bileşikler üzerindeki önceki modelleri geride bırakıyor.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- CCSBase2, 66.153 çarpışma kesiti (CCS) ölçümünden oluşan birleşik bir veritabanıdır.
- Morgan sayım parmak izlerini kullanan bir makine öğrenmesi modeli, tutulan bir test setinde %1.73 ortalama bağıl hata ve %1.23 medyan hata elde etti.
- Model, dağılım dışı bileşikler üzerinde adil bir performans sergileyerek genelleştirilebilirliğin arttığını gösteriyor.
- Doğru CCS tahmini, minimum hesaplama kaynakları ile tüketici sınıfı donanımda gerçekleştirilebilir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Abstract The identification of unknown analytes remains a persistent challenge in untargeted mass spectrometry-based analyses. Ion mobility–mass spectrometry (IM-MS) has expanded identification capabilities by enabling the use of collision cross section (CCS) as an orthogonal molecular identifier, but experimentally measured CCS values remain sparse relative to the breadth of known chemical space. Machine learning (ML) approaches have emerged as a complementary strategy for CCS prediction. Many existing models, however, suffer from poor generalizability and accuracy across structurally diverse chemical classes. Here, we present CCSBase2, a large, unified CCS database comprising 66,153 measurements assembled by integrating multiple public datasets, along with a classical ML framework for CCS prediction using Morgan count fingerprints. CCSBase2 achieved a mean relative error of 1.73%, median relative error of 1.23%, and root mean squared error of 4.89 Å2 on a held-out test set. CCSBase2 was trained on a consumer-grade Apple Silicon M4 Pro CPU, demonstrating that accurate CCS prediction can be achieved with minimal computational resources while maintaining fair performance when tested against out-of-distribution compounds. The final model is available at https://ccsbase.net/ccsbase2, and the codebase and datasets are freely available on GitHub (https://github.com/libinxulab/ccsbase2).
Yazarların özeti; kaynağından alınmıştır. Analytical Chemistry, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Spektroskopi
SpectroscopyChemistry