《Analytical Chemistry》:MSIonization: A Machine Learning Tool for Ionization Mode Prediction of Small Molecules
编辑推荐:
选择最佳电离模式(正离子或负离子)对于使用电喷雾电离(electrospray ionization, ESI)或大气压化学电离(atmospheric pressure chemical ionization, APCI)获取的小分子液相色谱-质谱联用(li
选择最佳电离模式(正离子或负离子)对于使用电喷雾电离(electrospray ionization, ESI)或大气压化学电离(atmospheric pressure chemical ionization, APCI)获取的小分子液相色谱-质谱联用(liquid chromatography–mass spectrometry, LC-MS)分析至关重要。然而,确定哪种电离模式能提供更高的电离效率通常依赖于经验知识或试错,尤其对于规模庞大且化学多样性的化合物库而言,这既耗时又耗资源,成为质谱分析的主要障碍。为应对这一挑战,研究人员开发了MSIonization,一种机器学习(machine learning, ML)驱动的工具,用于预测小分子的优选电离模式(正离子或负离子)。该工具以分子结构(SMILES)为输入进行二元分类,提供快速、可扩展的预测,并附带概率分数和适用域评估,从而促进优选电离模式的选择并改进实验规划。它还提供了一个用户友好的离线ML模型,带有图形用户界面(graphical user interface, GUI),可简化质谱工作流程并最大限度地减少试错。MSIonization提供了一个实用的决策支持框架,补充化学直觉,并支持广泛科学领域的实验规划。展望未来,它有望集成到AI驱动的质谱流程中,大规模预测化学多样性小分子的电离模式,以支持多个科学领域的研究。该软件包可在PyPI仓库(https://pypi.org/project/MSIonization/)获取,可通过“pip install MSIonization”命令安装。
质谱(Mass Spectrometry, MS)是小分子鉴定和定量的核心分析技术,液相色谱-串联质谱(LC-MS/MS)在代谢组学、药物发现、法医学和环境科学等领域广泛应用。在电喷雾电离(ESI)和大气压化学电离(APCI)条件下,选择正离子或负离子模式是LC-MS分析的关键步骤,直接影响灵敏度、重现性和检测效率。然而,对于大型且化学多样性高的化合物库,确定哪种电离模式具有更高电离效率通常依赖经验或试错,耗时且资源密集,成为质谱分析的主要瓶颈。尽管已有电离效率预测模型,但大多仅针对特定类别(如环境污染物),缺乏能同时提供概率分数和适用域评估的通用工具。为此,研究人员开发了MSIonization,一种机器学习(ML)驱动的小分子电离模式预测工具,以简化实验规划并减少试错。
研究人员从mzCloud数据库(访问于2024年12月10日)获取了8099个化合物的LC-MS数据,涵盖ESI、纳升电喷雾(nano-ESI)和APCI正负模式;并在Chen实验室采用Acquity UPLC-ZenoTOF 7600质谱仪(SCIEX)以ESI正负模式采集了2908个天然产物的数据。经过去重、去除加合物/含金属或硅分子及分子量>800 Da的化合物后,最终得到9168个独特小分子。每个分子根据主导电离模式标记为Class 0(负模式)或Class 1(正模式)。采用分层划分,25%作为外部测试集,其余用于训练。由于类别不平衡,使用邻域清理规则对训练集进行欠采样,得到5234个分子的平衡训练集。研究人员比较了16种机器学习算法,以加权平均F1分数为优化目标,利用遗传算法优化超参数。最终选择C-支持向量机(C-SVM)模型,其超参数为C=0.756734、核函数rbf、gamma=scale、概率=True。该模型仅利用分子结构(SMILES)计算的166个MACCS关键指纹,即可正确预测76%分子的优选电离模式。SHAP分析显示,模型捕获了化学上合理的结构-电离关系:含氧酸性基团(如羧酸、酚)倾向负电离,含氮官能团(如胺)倾向正电离。MSIonization以Python包形式发布,提供命令行和图形用户界面(GUI),支持离线批量预测,在Intel Core i9-10900X CPU上预测速度约为8分子/秒。
研究人员的关键技术方法包括:1)数据来源:mzCloud数据库和Chen实验室天然产物数据(使用ZenoTOF 7600质谱仪,ESI正负模式);2)分子表征:使用RDKit计算166个MACCS关键指纹;3)数据划分与平衡:分层划分25%为测试集,采用邻域清理规则(Neighborhood Cleaning Rule)对训练集欠采样;4)模型选择与优化:比较16种ML算法,通过遗传算法优化超参数,以加权平均F1分数为指标;5)适用域评估:基于杠杆值(leverage)计算临界值;6)可解释性:SHAP分析特征重要性。这些方法共同构成了MSIonization的建模流程。
- MSIonization流程:研究人员建立了从数据准备、模型构建到软件包运行的完整流程,经清洗后得到9168个化合物用于训练。
- 使用不平衡训练集构建模型:初始不平衡训练集上,多数模型对Class 0(负模式)预测能力不足,集成投票也未能显著改善。
- 使用欠采样方法构建模型:欠采样平衡后,C-SVM模型在测试集上对Class 0和Class 1均表现出最佳综合性能,最终被选为最终模型。
- C-SVM模型的适用域:临界杠杆值为0.073,约97%训练集和96%测试集分子在适用域内,高于800 Da的预测可靠性不确定。
- 数据划分与变量选择对C-SVM性能的影响:十次随机划分显示性能稳定;遗传算法从166个指纹中选出91个信息变量,性能与全指纹相当,故保留全部指纹。
- C-SVM模型输入变量的解释:SHAP分析表明含氧酸性基团促进负模式预测,含氮基团促进正模式预测,符合化学原理。
- MSIonization软件包:该包以SMILES为输入,输出预测类别、概率分数和适用域评估,提供命令行和GUI,支持批量预测。
- 大化学空间:应用MSIonization预测NPAtlas(36453个天然产物)和NORMAN SusDat(89092个环境污染物),分别有96.25%和90.17%的分子在适用域内,预测结果与化学直觉一致(如含胺分子倾向正模式,含羧酸/酚/磺酸基团倾向负模式),对于复杂结构分子能提供概率判断。
- MSIonization的未来与实用性:当前模型限于ESI、nano-ESI和APCI的极性至中等极性非挥发性化合物,未覆盖挥发性化合物和其他电离技术;训练集主要集中于50–800 Da,高质荷比类别代表性不足。未来将扩展训练数据和电离技术,并整合电离效率预测。
讨论部分指出,MSIonization通过概率评分和适用域评估,弥补了现有模型缺乏通用性和可解释性的不足。与Lowe等人的可电离性模型相比,MSIonization不仅能分类环境化合物是否可被LC-ESI-MS检测,还能预测优选电离模式,为方法开发提供早期指导。其独立Python包和GUI设计可离线运行,适合非质谱专家使用。结论为:研究人员提出了MSIonization,一种机器学习驱动的小分子电离模式预测工具,能够快速、准确、可扩展地将分子分为正/负电离模式,并提供概率分数和适用域评估。将其整合到MS分析流程中,可简化方法开发、减少试错、节省时间和资源、提高重现性,从而加速小分子分析。未来工作将增加更多化学多样性的训练数据(如寡糖、磷脂酰胆碱、鞘磷脂),扩展至APPI和CI等电离技术,并纳入电离效率估计,以进一步提高模型性能和适用性。