🤖 machine learning

MS-GPT: Rethinking MS/MS De Novo Structure Elucidation as Spectrum-Induced Posterior Querying of a Molecule-Language Model

यह शोध पत्र MS-GPT को प्रस्तुत करता है, जो एक नवीन ढांचा है जो 'डी नोवो' (de novo) MS/MS संरचना स्पष्टीकरण को एक सशर्त अणु-भाषा मॉडल के स्पेक्ट्रम-प्रेरित पश्चवर्ती प्रश्न (spectrum-induced posterior querying) के रूप में पुनर्गठित करता है, जो सक्रिय-बिट घनत्व अंशांकन (active-bit density calibration) और आम सहमति-आधारित उम्मीदवार रैंकिंग (consensus-based candidate ranking) के माध्यम से प्रशिक्षण-अनुमान विसंगतियों को संबोधित करते हुए अत्याधुनिक सटीकता प्राप्त करता है।

मूल लेखक: Xin Zhao, Yumin Liu, Zhuo Li, Weichu Zheng, Feng Zhu, Xiaokang Yang, Yaohui Jin, Yanyan Xu

प्रकाशित 2026-07-28

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Xin Zhao, Yumin Liu, Zhuo Li, Weichu Zheng, Feng Zhu, Xiaokang Yang, Yaohui Jin, Yanyan Xu

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक जासूस हैं जो एक रहस्य सुलझाने की कोशिश कर रहे हैं, लेकिन संदिग्ध का चेहरा खोजने के बजाय, आपके पास केवल टूटे हुए कांच का एक ढेर है। रसायन विज्ञान की दुनिया में, इस टूटे हुए कांच को "मास स्पेक्ट्रम" (mass spectrum) कहा जाता है। जब वैज्ञानिक किसी अणु (molecule) पर ऊर्जा की बौछार करते हैं, तो वह छोटे-छोटे टुकड़ों में टूट जाता है, और एक मशीन प्रत्येक टुकड़े के वजन को मापती है। लक्ष्य यह पता लगाना है कि उन वजनों को देखकर मूल अणु वास्तव में कैसा दिखता था। यह कुछ ऐसा ही है जैसे बिखरे हुए टुकड़ों को देखकर एक पूरे पहेली (puzzle) के आकार का अनुमान लगाने की कोशिश करना।

आमतौर पर, जासूस इस काम को ज्ञात संदिग्धों के एक विशाल फोटो एल्बम के साथ तुलना करके हल करते हैं। यदि वजन एल्बम की एक तस्वीर से मेल खाता है, तो वे जान जाते हैं कि उन्होंने किसे पकड़ा है। लेकिन क्या होगा यदि वह अणु कुछ बिल्कुल नया है, जिसे पहले कभी नहीं देखा गया है? उस मामले में फोटो एल्बम खाली है। यहीं पर "डी नोवो" (de novo - जिसका अर्थ है "शुरुआत से") आता है। इसका अर्थ है केवल टूटे हुए कांच में मिले सुरागों का उपयोग करके अणु को शून्य से बनाने की कोशिश करना। चुनौती यह है कि सुराग अव्यवस्थित और शोर भरे (noisy) होते हैं। एक कंप्यूटर कांच के आधार पर एक फिंगरप्रिंट (एक डिजिटल कोड जो अणु के आकार का प्रतिनिधित्व करता है) का अनुमान लगा सकता है, लेकिन वह अनुमान अक्सर एक स्पष्ट तस्वीर के बजाय संभावनाओं का एक धुंधला, अनिश्चित बादल होता है। यदि आप उस धुंधले बादल को बहुत जल्दी एक एकल, स्पष्ट तस्वीर में बदलने की कोशिश करते हैं, तो आप वास्तविक उत्तर चूक सकते हैं।

यही वह समस्या है जिसे "MS-GPT" पेपर संबोधित करता है। लेखकों ने, जो शंघाई जियाओ टोंग विश्वविद्यालय और बाइटडांस (ByteDance) की एक टीम है, महसूस किया कि पिछले तरीके एक महत्वपूर्ण गलती कर रहे थे: वे उस अव्यवस्थित, धुंधले संभावनाओं के बादल को एक एकल, कठोर अनुमान में दबा रहे थे, इससे पहले कि अणु का निर्माण किया जाए। उन्होंने इसे "ट्रेनिंग-इन्फरेंस मिसमैच" (training-inference mismatch) कहा। यह एक शेफ को केवल सटीक, पूर्व-मापे गए अवयवों के साथ खाना पकाने के लिए प्रशिक्षित करने जैसा है, लेकिन फिर उसे यादृच्छिक मसालों का एक बैग थमा देना और उसे खाना पकाने से पहले सटीक मात्रा का अनुमान लगाने के लिए कहना। शेफ भ्रमित हो जाता है और व्यंजन जला देता है।

यह पेपर इस अव्यवस्था को संभालने का एक नया तरीका प्रस्तावित करता है, जिसे वे "स्पेक्ट्रम-इंड्यूस्ड पोस्टीरियर क्वेरीइंग" (spectrum-induced posterior querying) कहते हैं। धुंधले बादल को एक एकल, स्पष्ट अनुमान में बदलने के बजाय, MS-GPT उस बादल को संभावनाओं के एक "बैंड" (band) के रूप में जीवित रखता है। कल्पना करें कि धुंधला बादल केवल एक अनुमान नहीं है, बल्कि थोड़े अलग-अलग अनुमानों की एक पूरी श्रृंखला है, जैसे "शायद थोड़ा सा यह" से लेकर "शायद बहुत सारा वह"। MS-GPT इस पूरे बैंड को लेता है और एक सुपर-स्मार्ट मॉलिक्यूलर लैंग्वेज मॉडल (एक कंप्यूटर मस्तिष्क जिसे लाखों ज्ञात अणुओं पर प्रशिक्षित किया गया है) से उन सभी अनुमानों के लिए संरचनाएं उत्पन्न करने के लिए कहता है।

यहाँ जादू तीन चरणों में होता है:

बैंड का अंशांकन (Calibrating the Band): सबसे पहले, सिस्टम यह निर्धारित करता है कि सुराग कितने "सघन" होने चाहिए। यह केवल एक यादृच्छिक सीमा नहीं चुनता; यह अनुमानों की एक विशिष्ट श्रेणी को अंशांकित करता है जो सही होने की सबसे अधिक संभावना रखती है, यह सुनिश्चित करता है कि कंप्यूटर बहुत अधिक जंगली अनुमानों को न देखे या बहुत कम को न देखे।
ग्रुप क्वेरीइंग (Group Querying): केवल एक अनुमान से अणु बनाने के बजाय, यह कंप्यूटर से उस अंशांकित बैंड के भीतर कई विभिन्न अनुमानों से अणु बनाने के लिए कहता है। यह वास्तुकारों (architects) की एक टीम से एक ही ब्लूप्रिंट के बजाय संभावित ब्लूप्रिंट की एक श्रृंखला के आधार पर घर डिजाइन करने के लिए कहने जैसा है।
वोटिंग (The Vote): कंप्यूटर इन विभिन्न अनुमानों से सैकड़ों उम्मीदवार अणु उत्पन्न करता है। फिर, वह भीड़ को देखता है। यदि 50 अलग-अलग अनुमान एक ही अणु की ओर ले जाते हैं, तो वह अणु संभवतः असली वाला है। यदि केवल एक अनुमान एक अजीब आकार की ओर ले जाता है, तो उसे अनदेखा कर दिया जाता है। अंतिम उत्तर वह अणु है जिसे भीड़ से सबसे अधिक "वोट" मिलते हैं।

लेखकों ने इस नई पद्धति का परीक्षण दो प्रमुख केमिस्ट्री बेंचमार्क, NPLIB1 और MassSpecGym पर किया। परिणाम प्रभावशाली थे। NPLIB1 पर, MS-GPT ने पहले ही अनुमान (Top-1) में 29.8% बार सटीक रूप से अणु की संरचना की पहचान की, और यदि शीर्ष 10 अनुमानों को देखा जाए तो 41.1% बार। कठिन MassSpecGym टेस्ट पर, इसने पहले अनुमान पर 23.9% और शीर्ष 10 में 28.7% प्राप्त किया। ये संख्याएँ सभी पिछले तरीकों को पछाड़ देती हैं, जिनमें जटिल डिफ्यूजन मॉडल भी शामिल हैं जो बहुत अधिक समय लेते हैं।

पेपर ने यह भी पाया कि यह तरीका बहुत कुशल है। क्योंकि यह एक तेज़, "ऑटोरेग्रेसिव" (autoregressive) शैली के निर्माण का उपयोग करता है (अणु को टुकड़ों में बनाना, जैसे वाक्य पढ़ना), यह बिना धीमा हुए हजारों उम्मीदवारों को आसानी से उत्पन्न कर सकता है। जैसे-जैसे उन्होंने उन उम्मीदवारों की संख्या बढ़ाई जिन्हें उन्होंने देखा, सटीकता बढ़ती गई, जिससे पता चलता है कि यह विधि स्केल करने के लिए तैयार है।

महत्वपूर्ण रूप से, लेखक तर्क देते हैं कि धुंधले बादल को एक एकल बिंदु में दबाने का पुराना तरीका ही बाधा है। इस अनिश्चितता को जीवित रखकर और मॉडल को सर्वोत्तम उत्तर पर वोट करने देकर, वे मशीन से प्राप्त शोर भरे डेटा और आणविक मॉडल के स्वच्छ ज्ञान के बीच के अंतर को पाटते हैं। हालांकि यह प्रणाली तब संघर्ष करती है जब प्रारंभिक सुराग बहुत खराब (low-fidelity) होते हैं, फिर भी यह ज्ञात संदिग्धों के फोटो एल्बम के बिना रासायनिक रहस्यों को सुलझाने की दिशा में एक महत्वपूर्ण कदम है। यह मास स्पेक्ट्रम के अराजक शोर को एक आणविक विशेषज्ञ के साथ एक संरचित बातचीत में बदल देता है, जिससे विशेषज्ञ एक साथ कई अलग-अलग संभावनाओं को सुनकर सही उत्तर ढूंढ सकता है।

तकनीकी सारांश: MS-GPT

समस्या विवरण
टैंडम मास स्पेक्ट्रा (MS/MS) से आणविक संरचना का स्पष्टीकरण (elucidation) विश्लेषणात्मक रसायन विज्ञान में एक केंद्रीय व्युत्क्रम समस्या (inverse problem) है। जबकि मौजूदा विधियाँ संदर्भ पुस्तकालयों (reference libraries) या पूर्व-निर्धारित उम्मीदवार सेटों पर निर्भर करती हैं, de novo दृष्टिकोण सीधे स्पेक्ट्रा से संरचनाओं को उत्पन्न करने का लक्ष्य रखते हैं। एक प्रचलित de novo प्रतिमान में दो-चरणीय प्रक्रिया शामिल है: एक स्पेक्ट्रम एनकोडर एक आणविक फिंगरप्रिंट की भविष्यवाणी करता है, और एक कंडीशनल डिकोडर उस फिंगरप्रिंट से संरचनाएं उत्पन्न करता है। यह डिकोडर को बिना एनोटेटेड स्पेक्ट्रा के, बड़े 'केवल-आणविक' संग्रहों पर प्रीट्रेन करने की अनुमति देता है।

हालाँकि, यह प्रतिमान एक मौलिक प्रशिक्षण-अनुमान अंतराल (training–inference mismatch) से ग्रस्त है। प्रीट्रेनिंग के दौरान, डिकोडर "ओरेकल" फिंगरप्रिंट्स (ज्ञात अणुओं से प्राप्त सटीक, असतत बिट वेक्टर) द्वारा कंडिशन किया जाता है। अनुमान (inference) के समय, डिकोडर को एक "स्पेक्ट्रम-प्रेरित फिंगरप्रिंट पोस्टीरियर" ( $\pi$ ) के साथ क्वेरी किया जाता है, जो फिंगरप्रिंट बिट्स पर एक शोरयुक्त संभाव्यता वितरण (noisy probability distribution) है। वर्तमान पाइपलाइन आमतौर पर इस पोस्टीरियर को एक एकल नियत (deterministic), थ्रेशोल्डेड फिंगरप्रिंट में सिकोड़ देती है। यह पॉइंट-क्वेरी सन्निकटन (point-query approximation) प्रति-बिट विश्वास (per-bit confidences) और वैकल्पिक संरचनात्मक परिकल्पनाओं को त्याग देता है, जिससे उस वितरण और जिसे मॉडल समझने के लिए प्रशिक्षित किया गया था (ओरेकल फिंगरप्रिंट), के बीच एक अंतर पैदा होता है।

कार्यप्रणाली: MS-GPT
लेखक MS-GPT पेश करते हैं, जो कंडीशनल मॉलिक्यूल-लैंग्वेज मॉडल के स्पेक्ट्रम-प्रेरित पोस्टीरियर क्वेरीइंग के रूप में de novo स्पष्टीकरण को पुनर्गठित करता है। पोस्टीरियर को एक एकल बिंदु में सिकोड़ने के बजाय, MS-GPT पोस्टीरियर को एक वितरण के रूप में मानता है जिससे कई क्वेरीज़ बनाई जा सकती हैं। यह ढांचा तीन मुख्य घटकों से बना है:

कंडीशनल मॉलिक्यूल-लैंग्वेज मॉडल:
- यह SAFE-GPT पर आधारित है, जो SAFE टोकन अनुक्रमों के लिए एक ऑटोरेग्रेसिव जनरेटर है।
- मॉडल को लगभग 100 मिलियन संरचनाओं वाले केवल-आणविक संग्रह पर प्रीट्रेन किया गया है ताकि यह ओरेकल फिंगरप्रिंट और आणविक सूत्रों के बीच संगत आणविक संरचनाओं के मैपिंग को सीख सके।
- यह फॉर्मूला-ग्रुपड प्रीट्रेनिंग (formula-grouped pretraining) रणनीति का उपयोग करता है, जिसमें अणुओं को सटीक सूत्र द्वारा बैच किया जाता है ताकि मॉडल फॉर्मूला विविधता का लाभ उठाने के बजाय निश्चित बाधाओं के तहत संरचनात्मक अस्पष्टता को हल करने के लिए मजबूर हो सके।
- आर्किटेक्चर क्रॉस-अटेंशन का उपयोग करता है ताकि जनरेशन को आणविक सूत्र और फिंगरप्रिंट क्वेरी दोनों पर कंडिशन किया जा सके।
पोस्टीरियर क्वेरी निर्माण:
- एक्टिव-बिट डेंसिटी बैंड कैलिब्रेशन: शोरयुक्त पोस्टीरियर और ओरेकल मैनिफोल्ड के बीच के अंतर को पाटने के लिए, यह विधि एक्टिव-बिट डेंसिटी के आधार पर एक थ्रेशोल्ड अंतराल को कैलिब्रेट करती है। यह थ्रेशोल्डेड पोस्टीरियर क्वेरी में सक्रिय बिट्स की अपेक्षित संख्या को एनकोडर के ट्रेनिंग सेट में देखी गई ग्राउंड-ट्रुथ डेंसिटी के साथ मेल कराती है। यह ओरेकल डेंसिटी के चारों ओर एक डेंसिटी-रेशियो बैंड ( $\kappa$ ) को परिभाषित करता है।
- फिक्स्ड-साइज़ ग्रुप क्वेरीइंग: एकल क्वेरी के बजाय, MS-GPT कैलिब्रेटेड डेंसिटी बैंड के भीतर थ्रेशोल्ड को लीनियरली इंटरपोलेट करके $M$ अलग-अलग क्वेरीज़ बनाता है। एक निश्चित उम्मीदवार पूल आकार $B$ के लिए, विधि प्रत्येक $M$ क्वेरी से $N$ सैंपल लेती है ( $B = M \times N$ )। यह उम्मीदवार पूल को पोस्टीरियर के संभावित ऑपरेटिंग पॉइंट्स में वितरित करता है, जो पोस्टीरियर पर एक्सपेक्टेशन का अनुमान लगाता है।
पोस्टीरियर-अलाइन्ड अडैप्टेशन:
- उन डोमेन-विशिष्ट पूर्वाग्रहों को संबोधित करने के लिए जो डेंसिटी कैलिब्रेशन के बाद भी स्पेक्ट्रम-प्रेरित पोस्टीरियर में बने रहते हैं, एक हल्का LoRA (Low-Rank Adaptation) एडेप्टर पेश किया गया है।
- एडेप्टर केवल क्वेरी-रीडिंग पाथवे (फिंगरप्रिंट एनकोडर प्रोजेक्शन और क्रॉस-अटेंशन मॉड्यूल) पर प्रशिक्षित होता है, जिससे प्रीट्रेन्ड SAFE-GPT बैकबोन और फॉर्मूला एनकोडर फ्रीज रहते हैं।
- प्रशिक्षण उद्देश्य अगले-टोकन क्रॉस-एन्ट्रॉपी को फ्रीज्ड प्रीट्रेन्ड मॉडल के साथ KL-डाइवर्जेंस एंकर के साथ जोड़ता है। यह सुनिश्चित करता है कि मॉडल सामान्य आणविक प्रायर को भूले बिना लक्षित स्पेक्ट्रल डोमेन के विशिष्ट एक्टिव-बिट सह-घटन (co-occurrence) पैटर्न के अनुकूल हो जाए।

मुख्य योगदान

पुनर्गठन (Reformulation): यह पेपर de novo स्पष्टीकरण को एक कंडीशनल मॉलिक्यूल-लैंग्वेज मॉडल को स्पेक्ट्रम-प्रेरित पोस्टीरियर्स के साथ क्वेरी करने के रूप में पुनर्गठित करता है, जो मानक पॉइंट-क्वेरी सन्निकटन से आगे बढ़ता है।
तीन-घटक ढांचा: यह एक विशिष्ट पाइपलाइन प्रस्तावित करता है जिसमें एक्टिव-बिट डेंसिटी बैंड कैलिब्रेशन, फिक्स्ड-साइज़ ग्रुप क्वेरीइंग और पोस्टीरियर-अलाइन्ड अडैप्टेशन शामिल है ताकि ओरेकल-टू-पोस्टीरियर गैप को संभाला जा सके।
स्टेट-ऑफ-द-आर्ट प्रदर्शन: यह विधि दो बेंचमार्क पर नए स्टेट-ऑफ-द-आर्ट परिणाम प्राप्त करती है, जो प्रदर्शित करती है कि कुशल ऑटोरेग्रेसिव जनरेशन को बेहतर क्वेरी निर्माण के माध्यम से महत्वपूर्ण रूप से सुधारा जा सकता है।

प्रायोगिक परिणाम
लेखकों ने NPLBF1 (इन-डिस्ट्रीब्यूशन नेचुरल प्रोडक्ट्स) और MassSpecGym (स्ट्रक्चरली होल्ड-आउट स्प्लिट) पर MS-GPT का मूल्यांकन किया।

सटीकता (Accuracy): MS-GPT ने NPLBF1 पर 29.8%/41.1% और MassSpecGym पर 23.9%/28.7% की टॉप-1/टॉप-10 एग्जैक्ट-मैच सटीकता प्राप्त की। यह सबसे मजबूत बेसलाइन्स (जैसे, FRIGID) की तुलना में महत्वपूर्ण सुधार है, जो लगभग 4-7 प्रतिशत अंकों की वृद्धि है।
समानता (Similarity): इसने नए रिकॉर्ड भी स्थापित किए।
एब्लेशन स्टडीज: किसी भी तीन मुख्य घटकों (अडैप्टेशन, डेंसिटी कैलिब्रेशन, या ग्रुप क्वेरीइंग) को हटाने से प्रदर्शन में गिरावट आई, जो उनकी पूरक प्रकृति की पुष्टि करता है। विशेष रूप से, पोस्टीरियर-अलाइन्ड अडैप्टेशन को टॉप-10 रिकॉल में सुधार के लिए सबसे महत्वपूर्ण दिखाया गया।
स्केलिंग: प्रयोगों ने दिखाया कि उम्मीदवार पूल के आकार को बढ़ाकर (प्रत्येक क्वेरी के लिए अधिक सैंपल लेकर) टॉप-10 रिकॉल में निरंतर सुधार होता है, जिसका अनुमानित लागत लगभग लीनियर है, जो डिफ्यूजन-आधारित विधियों की तुलना में ऑटोरेग्रेसिव दृष्टिकोण की दक्षता को उजागर करता है।
फिडेलिटी विश्लेषण: प्रदर्शन स्पेक्ट्रम-प्रेरित पोस्टीरियर की फिडेलिटी के साथ मजबूती से सह-संबंधित था, जो पुष्टि करता है कि मॉडल केवल प्रीट्रेनिंग पड़ोसियों को याद करने के बजाय स्पेक्ट्रल साक्ष्य पर निर्भर करता है।

महत्व और दावे
पेपर दावा करता है कि MS-GPT एक नया स्टेट-ऑफ-द-आर्ट स्थापित करता है क्योंकि यह स्पेक्ट्रम-प्रेरित पोस्टीरियर को एक स्थिर इनपुट के रूप में नहीं, बल्कि एक वितरण के रूप में देखता जिसे क्वेरी किया जाना है। पोस्टीरियर को (डेंसिटी कैलिब्रेशन के माध्यम से) प्रीट्रेन्ड मॉडल की अपेक्षाओं के साथ संरेखित करके और मॉडल को डोमेन-विशिष्ट शोर (LoRA के माध्यम से) के अनुकूल बनाकर, यह विधि de novo स्पष्टीकरण के लिए बड़े पैमाने पर केवल-आणविक प्रीट्रेनिंग का प्रभावी ढंग से लाभ उठाती है। लेखक इसे "डिकोडर आर्किटेक्चर सुधार" से "क्वेरी निर्माण अनुकूलन" की ओर एक बदलाव के रूप में देखते हैं, और तर्क देते हैं कि स्पेक्ट्रल साक्ष्य और कंडीशनल मॉडल के बीच बेहतर संरेखण ही de novo संरचना स्पष्टीकरण में उच्च सटीकता को अनलॉक करने की कुंजी है। यह कार्य सुझाव देता है कि भविष्य की प्रगति अधिक निष्ठापूर्ण (faithful) स्पेक्ट्रम-प्रेरित पोस्टीरियर्स उत्पन्न करने और कंडीशनल मॉलिकुलर जनरेशन को और मजबूत करने पर निर्भर करती है।

इसी तरह के और पेपर