Analytical Chemistry· 2026Q1
SPHERE-MS: Hibrit Parça–Kelime Modellemesi ile Doğru ve Verimli Tandem Kütle Spektrumu Tahmini
SPHERE-MS: Hybrid Fragment–Vocabulary Modeling for Accurate and Efficient Tandem Mass Spectra Prediction
- 0atıf
- Q1SCImago
- 2026yıl
Kısa özet
SPHERE-MS, moleküler yapılardan tandem kütle spektrumlarını tahmin eden yeni bir graf sinir ağı modelidir; bağ-kırma ve kelime tabanlı stratejileri birleştirerek birden çok veri setinde mevcut yöntemlerden daha iyi performans gösterir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- SPHERE-MS, moleküler yapılardan kütle spektrumlarını tahmin etmek için tasarlanmış bir graf sinir ağı modelidir.
- Çok seviyeli parçalanma simülasyonu için bağ-kırma ve kelime tabanlı stratejileri birleştiren hibrit bir yaklaşım kullanır.
- SPHERE-MS, NIST-20, MSnLib, CASMI2022 ve MassSpecGym veri setlerinde temel modellere göre tahmin doğruluğu ve kütüphane erişim başarı oranlarında daha iyi performans gösterir.
- Model, eğitim setine yapısal olarak az benzeyen moleküller için doğruluğu koruyarak güçlü genelleme yetenekleri sergiler.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Abstract 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.
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