基于大语言模型的质谱嵌入方法LLM4MS：实现精准化合物鉴定的新突破

《Communications Chemistry》：A large language model for deriving spectral embeddings for accurate compound identification in mass spectrometry

本研究针对质谱分析中化合物精准识别的瓶颈问题，开发了LLM4MS方法，通过利用大语言模型(LLM)的潜在化学专家知识生成判别性光谱嵌入。该方法在百万规模库上的测试表明，Recall@1准确率达66.3%，较现有最佳方法Spec2Vec提升13.7%，同时实现近15,000 QPS的超快速质谱匹配，为加速化学发现开辟了新途径。

　　

在化学分析领域，质谱技术一直是解析复杂混合物组成的利器，特别是串联质谱(MS/MS或MS²)在代谢组学、蛋白质组学和合成有机化学中扮演着关键角色。然而，面对含有数千至数百万个个体光谱的大规模数据集，如何快速准确地识别化合物始终是制约化学发现的瓶颈。传统的加权余弦相似性(WCS)等方法和近年来兴起的机器学习方法如Spec2Vec，虽然在光谱匹配方面取得了进展，但仍存在明显局限——它们主要关注全局光谱特征或学习数据相关性，缺乏基于化学原理解释光谱的内在能力。

问题的核心在于，现有方法往往难以分辨细微的结构差异，有时甚至会为结构截然不同的化合物给出很高的相似性评分。例如，电子电离质谱中的基峰（通常是最强离子峰）通常代表结构重要的碎片或分子离子，是分子身份的关键指标。但传统相似性度量无法充分权衡这些关键化学信息，可能导致基峰完全不同的光谱被错误匹配。这种局限性在复杂样品分析中可能引发错误的化合物鉴定，特别是当依赖优先考虑全局光谱重叠而非化学规则的度量时。

正是在这样的背景下，南京大学的研究团队在《Communications Chemistry》上发表了创新性研究成果。他们发现，大语言模型(LLM)在预训练过程中从海量科学文献获取的化学知识，展现出令人惊讶的"推理"能力，能够基于化学原理（如基峰匹配、关键碎片离子比对）来判断质谱相似性，而非仅仅比较强度分布。这一发现催生了LLM4MS方法的诞生，该方法通过文本化质谱数据，利用精细调优的LLM生成更具化学信息的光谱嵌入，从而实现了更准确的化合物识别。

关键技术方法

研究团队首先对质谱数据进行预处理和文本化，保留前30个最强峰并区分基峰、最大质量峰和关键峰等特征。以Llama 3.1-8B为基础模型，先通过LLM2Vec方法进行嵌入能力优化，再使用从百万规模计算机模拟EI-MS库中选取的50,000个光谱进行Tanimoto相似性指导的精细调优。通过对比余弦相似性、加权余弦相似性、Spec2Vec等多种方法，在从NIST23库选取的9,921个测试光谱上评估性能，并采用多种近似最近邻搜索(ANNS)技术加速检索。

性能卓越的大规模光谱匹配

LLM4MS在化合物识别准确性方面表现出显著优势。在针对百万规模计算机模拟电子电离质谱(EI-MS)库的测试中，LLM4MS的Recall@1准确率达到66.3%，显著优于Spec2Vec(58.3%)、WCS(56.5%)和余弦相似性(28.6%)。在更深层次的召回水平上，LLM4MS的Recall@10达到92.7%，而Spec2Vec和WCS分别为85.7%和84.1%。这种持续的优势凸显了LLM衍生嵌入在捕获结构相关光谱信息方面的有效性。

高效的检索速度

除了准确性，计算效率对于实际应用同样关键。研究团队将LLM4MS与最先进的近似最近邻搜索(ANNS)索引技术集成，实现了惊人的检索速度。使用HNSWlib时，LLM4MS处理速度达到14,440 QPS，同时保持64.6%的Recall@1准确率，与暴力搜索相比加速约54,000倍。这种超快速搜索能力使LLM4MS非常适合高通量化合物识别工作流程。

对未见化合物的泛化性能

为了严格评估方法的泛化能力，研究人员在仅包含未见化合物的数据集上进行了额外评估。从初始的9,921个NIST23衍生查询中去除所有出现在NEIMS模型原始训练数据中的化合物，得到包含2,618个"未见"化合物的测试集。在这一更具挑战性的测试中，LLM4MS继续表现出优势，Recall@1达到41.9%，优于Spec2Vec(36.7%)和WCS(35.2%)，表明该方法即使面对模型训练时未见的化合物也能保持较好的识别性能。

LLM4MS在结构相似化合物识别中的优势

研究发现，LLM4MS生成的嵌入能够产生比现有方法更有效的结构相似性。通过Tanimoto系数（一种基于化学指纹量化分子间结构相似性的指标）分析发现，LLM4MS在检索精确匹配和结构类似化合物方面都表现更佳。在Tanimoto分数较高(0.8-1.0)的区间，LLM4MS显示出比Spec2Vec和WCS更高比例的精确匹配。同时，LLM4MS倾向于在检索的前10个候选物中找到具有更高最大Tanimoto分数的化合物，表明LLM衍生的嵌入能更有效地对结构相似的化合物进行排名。

方法优势的深入分析

研究人员通过控制实验探讨了LLM4MS优异性能的来源。他们测试了基峰匹配启发式方法对基线方法的影响，发现简单的启发式规则（如过滤策略或加权策略）反而会降低所有基线方法的准确性，而LLM4MS的最佳性能(66.3% Recall@1)来自其学习到的整体化学证据平衡。这表明LLM4MS的优越性并非来自易于设计的启发式方法，而是来自复杂的学习模型，该模型能够更稳健、有效地平衡化学证据。

用户友好的LLM4MS软件

为促进LLM4MS的实际应用，研究团队开发了基于Python的用户友好软件工具。该软件具有直观的图形用户界面(GUI)，可在Windows 7、10和11操作系统上运行。软件预加载了百万规模计算机模拟EI-MS库的嵌入向量，用户只需输入查询质谱数据即可快速获得排名最高的候选化合物列表及其化学结构，大大简化了化合物识别流程。

研究结论与展望

该研究成功开发了LLM4MS方法，通过利用大语言模型的化学知识生成信息更丰富的光谱嵌入，显著提升了质谱匹配的准确性和效率。与传统方法相比，LLM4MS不仅在各种召回水平上表现出更高的识别准确性，还能实现超快速的库搜索，满足高通量工作流程的需求。

更重要的是，LLM4MS生成的嵌入与分子结构表现出更强的相关性，基于Tanimoto的结构相似性分析证实了这一点。这种与分子结构的增强对齐直接有利于质谱匹配：既增加了识别精确匹配的可信度，又显著提高了从大规模库中检索结构相关类似物的可靠性，从而促进未知化合物的注释和从复杂数据集中提取有意义的化学见解。

研究人员指出，虽然当前LLM4MS框架成功地将优化后的嵌入与ANNS结合用于快速准确的光谱检索，但尚未利用LLM的显式推理和自然语言生成能力来解释特定匹配背后的原理。将LLM的"思维过程"整合到检索工作流程中，为用户提供高相似性匹配的可解释理由，是未来工作的一个有前景的方向。

这项研究开辟了利用大语言模型增强质谱中化合物识别的新途径，为化学发现提供了更强大、高效的工具，有望在代谢组学、蛋白质组学和合成化学等多个科学领域产生深远影响。