技術概要：MSAlign – メタボライト同定のための分子と質量スペクトルの基盤モデルの整合化

問題定義

扱われている中心的な課題はメタボライト同定、すなわちタンデム質量スペクトロメトリー（MS/MS）スペクトルから小分子（メタボライト）の完全な 2 次元化学構造を復元することである。スペクトルライブラリマッチングは実用的な主流アプローチであるが、データベースのカバレッジによって根本的に制限されており、現在、既知化合物の 1% 未満しか網羅していない。

これに対処するため、本論文は分子検索タスクに焦点を当てている。この定式化では、実験的な MS/MS スペクトルと候補分子セット（通常は質量でフィルタリングされたもの）が与えられた場合、候補から正しい分子構造を検索することを目的とする。これは構造化出力予測問題、具体的にはスコアリング関数 $\rho_\theta(s, m)$ が誤ったスペクトル - 分子ペアよりも正しいペアに高いスコアを割り当てる必要がある検索タスクとして枠組み化されている。

手法：MSAlign

著者は、視覚 - 言語モデル（例：CLIP）におけるマルチモーダル整合に着想を得たMSAlignを提案する。マルチモーダルモデルをゼロから訓練する代わりに、MSAlign は軽量な投影層を用いて、2 つの事前学習済みかつ凍結された基盤モデルを整合させる。

アーキテクチャ

1. 凍結された基盤モデル:
   • スペクトルエンコーダ（$E_{ms}$）: 2400 万の MS/MS スペクトルで事前学習された基盤モデルDreaMS（9600 万パラメータ）を使用する。
   • 分子エンコーダ（$E_{mol}$）: 1 億 1000 万の SMILES 文字列で事前学習されたモデルChemBERTa（9200 万パラメータ）を使用する。
2. 軽量な整合層:
   • 2 つの多層パーセプトロン（MLP）が、DreaMS と ChemBERTa からの埋め込みを共有表現空間 $Z$ に投影する。
   • これらの MLP は学習可能だが軽量（それぞれ約 400 万パラメータ）であり、基盤モデルは凍結されたまま保持される。
3. 共有空間: 目的は、スペクトルとその真の分子間の距離を最小化し、誤った候補との距離を最大化する共有埋め込み空間を学習することである。

訓練目的

MSAlign は候補ベースの対照損失（InfoNCE 変種）を利用する。

• 各スペクトル $s_i$ に対して、候補セット $C(s_i)$（質量が一致する分子）が定義される。
• 損失関数は、$K$ 個の負の候補（$C(s_i)$ からサンプリング）に対する真のペア $(s_i, m_i)$ の類似度を最大化する。
• 効率性: 候補ベースの損失は通常計算コストが高いが、MSAlign は凍結された基盤モデルの低次元埋め込みを事前計算することで実現可能性を達成する。これにより、訓練中に大規模な候補セット（$K=256$）に対する高速な類似度計算が可能となり、単一の V100 GPU 上で約 20 分という訓練時間を実現している。

主要な貢献

1. 統合フレームワーク: 本論文は、エンコーディングの選択（例：フィンガープリント対学習済み埋め込み）と訓練目的（回帰対対照学習）に基づいて既存の分子検索手法を分類する統合フレームワークを導入する。これにより、LFP、MIST、JESTR、FLARE などの先行アプローチ間の関係が明確になる。
2. MSAlign 手法: 候補ベースの対照学習を通じて整合された市販の基盤モデル（DreaMS と ChemBERTa）を活用する MSAlign の提案。この手法は実装が簡単で訓練が高速であり、最先端のパフォーマンスを達成することで注目されている。
3. 分布シフト分析: 著者はベンチマーク設計における重要な緊張関係、すなわちデータリーク（ランダム分割）とドメインシフト（MCES のような厳格な分割）のトレードオフを形式化した。訓練セットとテストセット間の分布シフトを測定するために正規化されたワッサーシュタイン距離に基づく定量的指標を導入し、異なる分割戦略（MCES、Murcko、Formula、InChIKey、Random）がこのトレードオフにどのように影響するかを評価している。
4. 再現性: 分野における再現可能な研究を促進するため、MSAlign とすべてのベースラインの統合されたオープンソース実装、および標準化されたデータセット分割と候補セットを公開している。

実験結果

この手法は、NPLIB1、MassSpecGym、Spectraverseの 3 つのベンチマークデータセットで評価された。

• パフォーマンス: MSAlign は、すべてのデータセットおよび指標（Recall@1、@5、@20）において、既存のベースライン（FFN、DeepSets、MIST、JESTR、FLARE、SAIL を含む）を一貫して上回った。
  • **MassSpecGym（Formula 分割）において、MSAlign は53.8%**の Recall@1 を達成し、次点のベースライン（29.5% の SAIL）を大幅に上回った。
  • より困難なMassSpecGym（MCES 分割）、すなわち高い構造的非類似性を強制する分割において、MSAlign は**16.2%**の Recall@1 を達成し、次点のベースライン（2.54%）と比較して優れていた。
  • Spectraverseにおいて、MSAlign は**32.3%**の Recall@1 を達成した。
• アブレーション研究:
  • 損失関数: 候補ベースの対照学習は、回帰ベースのアプローチおよびバッチ内対照学習の両方を大幅に上回った。著者はこれを、候補セットが提供する「ハードな負例」の重要性に起因するとしている。
  • エンコーダ: 事前学習された基盤モデル（DreaMS と ChemBERTa）を使用することは、バinned スペクトルやモーガンフィンガープリントのような従来のエンコーダと比較して大幅な向上をもたらした。
  • メタデータ: メタデータ（付加物タイプ、衝突エネルギー）を統合すると、 modest な改善（+2.2% R@1）が得られ、現在の基盤モデルはすでにこれらの情報の一部を暗黙的に捉えている可能性を示唆している。

意義と主張

本論文は、事前学習された単一モーダル基盤モデルの整合化が構造化検索タスクに対して極めて効果的な戦略であることを実証することで、メタボライト同定における重要な前進を MSAlign が表していると主張している。

• 効率性対パフォーマンス: この研究は、高いパフォーマンスには大規模なマルチモーダル事前学習が必要ではなく、既存の大規模な単一モーダルモデルを軽量アダプターで整合させることが、計算効率が高く、かつパフォーマンスにおいても優れていることを強調している。
• ベンチマークの厳格性: 分布シフト指標を形式化することで、本論文は検索タスクの難易度とベンチマーク分割の有効性をよりよく理解するためのツールをコミュニティに提供し、単純な精度指標を超えて一般化能力を評価することを可能にしている。
• 再現性: 統合されたコードベースの公開は、分野における統合された実装の歴史的な欠如に対処し、手法の直接的かつ公平な比較を可能にしている。

著者は明示的に、彼らのアプローチは分子検索（候補が与えられた場合）のために設計されており、現時点では候補なしで構造を生成するde novo 構造解明を解決するものではないと述べているが、これを将来の作業の可能性のある方向性として指摘している。また、手法のパフォーマンスは基盤となる基盤モデルの品質に依存していることも認めている。