基于原子环境预测的EI-MS谱库搜索结果优化新方法

《Communications Chemistry》：Refining EI-MS library search results through atomic-level insights

本研究针对电子电离质谱(EI-MS)分析中谱图相似性与结构相似性不直接相关的核心难题，开发了一种基于原子环境预测的谱库搜索结果优化框架。研究人员通过多步复杂度降低策略和Transformer模型，直接从质谱数据预测化合物的原子环境，实现了86.1%的峰值精度和78.4%的召回率。该创新方法不仅为EI-MS数据解释提供原子级结构洞察，还能通过原子环境比对优化传统余弦相似度排序，显著提升小分子结构鉴定的准确性。

　　

在化学分析领域，电子电离质谱(EI-MS)一直是小分子研究的利器，但其固有的复杂性让科研人员又爱又恨。想象一下，当科学家获得一张包含数百个峰值的质谱图时，就像拿到一本没有目录的密码书——每个碎片峰都携带部分结构信息，但如何将这些碎片拼凑成完整的分子结构却是一大挑战。更令人困扰的是，谱图相似并不等同于结构相似，两个谱图高度相似的化合物可能在原子组成上相差甚远。这种"貌合神离"的现象使得传统的谱库搜索方法常常陷入误判的困境。

目前主流的质谱鉴定方法严重依赖参考谱库的覆盖范围。然而，即使是全球最大的NIST质谱数据库，也仅包含数十万条参考谱图，面对自然界中数以百万计的小分子化合物显得力不从心。当待测化合物的谱图不在库中时，系统只能返回结构相似度不高的最佳匹配结果，导致鉴定准确率大幅下降。虽然人工智能技术已应用于质谱分析，但现有方法大多专注于从头预测分子结构或生成模拟谱图，这些方案在实践中的准确度仍不尽如人意。

正是针对这一技术瓶颈，首尔国立大学的研究团队在《Communications Chemistry》上提出了一种创新解决方案。他们另辟蹊径，不再追求从质谱图直接预测完整分子结构，而是转向原子级结构要素的识别。研究团队的核心思路是：虽然单个质谱碎片千变万化，但将其分解为基本的原子环境(rAEs)后，这些"分子积木"能提供更可靠的结构信息基础。

研究方法上，团队采用多步骤技术路线：首先利用CFM-EI计算碎片工具对NIST数据库中的350,643张谱图进行系统性碎片注释，建立质荷比与碎片的对应关系；接着通过拓扑半径为零的原子环境表征方法，将复杂碎片转化为标准化的原子类型描述；最后构建Transformer神经网络模型，直接从小分子EI-MS谱图中预测原子环境组成。实验数据来源于NIST质谱库主库，筛选分子量≤400 Da的"超小分子"化合物，确保模型在药物化学相关领域的适用性。

质谱-碎片映射的复杂度降低

准确注释质谱图是推断化合物分子式、结构特征等关键信息的基础。研究团队通过CFM-EI计算碎片化系统探索所有候选离子，建立质荷比与碎片的一对多映射关系。分析显示，实验NIST谱图平均包含106.37±63.30个峰值，而相应的计算机模拟谱图明显更稀疏，平均为25.45±26.31个峰值。

团队采用结构相似性 cutoff 值减少离子碎片间的冗余度，使用Tanimoto系数与Morgan指纹(半径1，比特向量长度1024)进行离子聚类。例如，在质荷比150处，从近1000万对比较中识别出83对相似度高于0.8的离子，最终消除78个。同时基于原子类型出现频率进行筛选，从初始的338,076个离子中清除了115种原子类型，涉及15,495个离子。

模型性能评估

Transformer模型在预测原子环境方面表现出色。在5436个测试样本上，模型对所有rAEs的预测准确率达到56.32%，分子rAEs的准确率更高达68.19%。召回率方面，所有rAEs为60.39%，分子rAEs为78.39%。精确度指标分别达到86.10%和78.18%，证明模型能有效从谱图数据中识别相关原子类型。

模型通过五轮独立训练验证了稳定性，使用随机种子42、101、314、777和2023进行测试，标准偏差≤0.9%，表明模型对初始化参数不敏感。这种稳健性为实际应用提供了可靠保障。

命中检查与碎片级解读

研究团队对比了三种搜索策略：简单相似性搜索(SSS)、混合相似性搜索(HSS)和加权余弦相似度。通过分析5436个查询分子在约192,000张谱库中的搜索结果，发现提出的原子环境优化方法能显著改善鉴定效果。

评估指标显示，真阳性率(TP)随top-k参数增加而上升，范围在47%-66%之间；真阴性率(TN)在32%-49%之间；假阴性率(FN)呈现下降趋势。分子rAE计数趋势相似但顺序互换，在mMF的top-10处TN率达到63%。这些趋势共同作用，提高了对库命中建议的质量。

案例研究分析

通过结果审查，团队识别出三种典型情况：包含、排除以及两者结合。在第一个案例中，查询分子N#C与top-1命中谱图相似度为0.831，但命中结果不包含氮原子，而模型预测正确包含了氮('[N]':4)。第二个案例中，库搜索得到的top-1候选包含环内氧原子'[O;R]'，但模型未预测氧，暗示氧可能不是分子真实结构的一部分。第三个案例是有机硫化合物，top-1命中包含硅和氧，而模型预测包含硫('[S]':5)但不含硅，表明硫可能是实际结构的一部分，而硅是错误注释的结果。

作为代表性生物案例，团队选择了小分子几丁质酶抑制剂(C₁₀H₆F₃N₃OS；分子量273.24 Da)。该化合物地面实况结构包含三氟甲基、芳香氮和噻二唑环中的硫原子。模型成功检测到三氟甲基组，反映为氟原子环境'[F]'的高归一化分数，而这一项在库命中不存在。

谱库搜索排名优化

团队使用Kendall's Tau和标准化折损累积增益(NDCG@k)评估排名质量。基线谱图排名达到NDCG@10为0.909±0.083，而分子rAEs保持竞争性性能0.902±0.093。更重要的是，分子rAEs将Kendall's Tau从基线0.240±0.300提高到0.337±0.351，排名相关性增加40%。这一改进意味着平均交换距离从34.2±13.5减少到29.8±15.8次交换，表明分子rAEs产生的排名需要减少13%的成对校正即可达到理想顺序。

研究局限与展望

目前，包括CFM-EI或最新版NIST MS-Interpreter在内的工具在峰值分配准确性方面都存在局限。这种限制与生成训练数据的质量有关。虽然模型在指定领域内表现稳健，但其对更复杂场景如MS/MS串联质谱的应用目前有限。此外，片段数据集仅限于C、N、O、S、P、Si、B和卤素元素，仅对类药物有机小分子提供足够覆盖。

模型在超小分子谱图上训练，因此将分子量 cutoff 放宽超过400 Da会增加质谱-碎片映射的复杂性，从而收紧权衡。在推理模式下，特别是对于较大谱图，模型更依赖谱图低端进行结构内容预测。尽管存在这些限制，模型在理想计算机模拟谱图中存在足够多的峰值和碎片模式中找到优势。

结论与意义

这项研究为EI-MS数据分析提供了创新性的后续分析方法，结合原子环境、CFM-EI碎片工具、神经机器翻译和结构相似性概念，旨在优化未知EI-MS数据的库搜索结果。通过将每个峰值解释为rAEs的集合而不仅仅是独特碎片，允许将每个碎片颗粒化分解为其组成原子类型。Transformer模型将质谱数据转化为结构信息，峰值被分配logRank(对数强度度量，范围1-7)，有效减少参数计数并防止过拟合。

该方法的核心优势在于利用碎片离子间的相互关联性——峰值相互证实其内容。模型输出经过后处理，为每个原子类型生成分数，从而促进对库搜索结果的有针对性校正。在NIST数据库上的测试表明，结合谱图命中的结构内容预测有助于减少不确定性，缩小潜在候选范围。

这项技术为质谱分析领域提供了新的思路，将关注点从完整的分子结构转向原子级结构要素，为小分子鉴定提供了更精细、更可靠的解决方案。随着算法的进一步优化和应用范围的拓展，这一方法有望成为质谱数据分析的标准工具之一，为药物发现、环境监测、食品安全等领域的化合物鉴定工作带来实质性进步。