기술 요약: MSAlign – 대사체 식정을 위한 분자와 질량 스펙트럼 기반 모델 정렬

문제 정의

해결된 핵심 과제는 대사체 식정입니다. 즉, 탠덤 질량 스펙트럼 (MS/MS) 스펙트럼으로부터 소분자 (대사체) 의 완전한 2 차원 화학 구조를 복원하는 것입니다. 스펙트럼 라이브러리 매칭이 주된 실용적 접근법이지만, 이는 데이터베이스 커버리지에 근본적으로 제한을 받으며, 현재 알려진 화합물의 1% 미만을 커버하고 있습니다.

이를 해결하기 위해 본 논문은 분자 검색 작업에 초점을 맞춥니다. 이러한 형식화에서, 실험적 MS/MS 스펙트럼과 후보 분자 집합 (일반적으로 질량으로 필터링됨) 이 주어졌을 때, 목표는 후보들로부터 올바른 분자 구조를 검색하는 것입니다. 이는 구조화된 출력 예측 문제로, 특히 올바른 스펙트럼 - 분자 쌍에 잘못된 쌍보다 높은 점수를 부여해야 하는 점수 함수 $\rho_\theta(s, m)$가 필요한 검색 작업으로 프레임됩니다.

방법론: MSAlign

저자들은 비전 - 언어 모델 (예: CLIP) 의 멀티모달 정렬에서 영감을 받은 MSAlign을 제안합니다. 멀티모달 모델을 처음부터 훈련하는 대신, MSAlign 은 경량 프로젝션 레이어를 사용하여 두 개의 사전 훈련된 고정된 기반 모델을 정렬합니다.

아키텍처

1. 고정된 기반 모델:
   • 스펙트럼 인코더 ($E_{ms}$): 2400 만 개의 MS/MS 스펙트럼으로 사전 훈련된 기반 모델인 DreaMS를 사용합니다 (96M 파라미터).
   • 분자 인코더 ($E_{mol}$): 1 억 1 천만 개의 SMILES 문자열로 사전 훈련된 모델인 ChemBERTa를 사용합니다 (92M 파라미터).
2. 경량 정렬 레이어:
   • 두 개의 다층 퍼셉트론 (MLP) 이 DreaMS 와 ChemBERTa 의 임베딩을 공유 표현 공간 $Z$로 투영합니다.
   • 이 MLP 들은 훈련 가능하지만 경량화되어 있습니다 (각각 약 4M 파라미터), 기반 모델은 고정된 상태로 유지됩니다.
3. 공유 공간: 목표는 스펙트럼과 해당 실제 분자 간의 거리를 최소화하고, 잘못된 후보들과의 거리는 최대화하는 공유 임베딩 공간을 학습하는 것입니다.

훈련 목적

MSAlign 은 후보 기반 대비 손실(InfoNCE 변형) 을 활용합니다.

• 각 스펙트럼 $s_i$에 대해, 후보 집합 $C(s_i)$가 정의됩니다 (질량이 일치하는 분자들).
• 손실 함수는 $C(s_i)$에서 샘플링된 $K$개의 부정적 후보에 비해 실제 쌍 $(s_i, m_i)$의 유사성을 최대화합니다.
• 효율성: 후보 기반 손실은 일반적으로 계산 비용이 많이 들지만, MSAlign 은 고정된 기반 모델의 저차원 임베딩을 사전 계산함으로써 실현 가능성을 확보합니다. 이를 통해 훈련 중 대규모 후보 집합 ($K=256$) 에 대한 빠른 유사성 계산이 가능해지며, 단일 V100 GPU 에서 약 20 분의 훈련 시간이 소요됩니다.

주요 기여

1. 통합 프레임워크: 논문은 기존 분자 검색 방법들을 인코딩 선택 (예: 핑거프린트 대 학습된 임베딩) 과 훈련 목적 (회귀 대 대비 학습) 에 따라 분류하는 통합 프레임워크를 제시합니다. 이는 LFP, MIST, JESTR, FLARE 와 같은 이전 접근법들 간의 관계를 명확히 합니다.
2. MSAlign 방법: 상용 기반 모델 (DreaMS 와 ChemBERTa) 을 후보 기반 대비 학습을 통해 정렬하는 MSAlign 을 제안합니다. 이 방법은 구현이 간단하고 훈련이 빠르며 최첨단 성능을 달성하는 것으로 알려져 있습니다.
3. 분포 이동 분석: 저자들은 벤치마크 설계의 중요한 긴장 관계를 공식화합니다: 데이터 누출(무작위 분할) 과 도메인 이동(MCES 와 같은 엄격한 분할) 사이의 트레이드오프입니다. 훈련 세트와 테스트 세트 간의 분포 이동을 측정하기 위해 정규화된 Wasserstein 거리에 기반한 정량적 지표를 도입하여, 다양한 분할 전략 (MCES, Murcko, Formula, InChIKey, Random) 이 이 트레이드오프에 미치는 영향을 평가합니다.
4. 재현성: 저자들은 필드의 재현 가능한 연구를 촉진하기 위해 MSAlign 과 모든 기준선 (baselines) 의 통합된 오픈소스 구현체와 표준화된 데이터셋 분할 및 후보 집합을 공개합니다.

실험 결과

이 방법은 NPLIB1, MassSpecGym, Spectraverse라는 세 가지 벤치마크 데이터셋에서 평가되었습니다.

• 성능: MSAlign 은 모든 데이터셋과 지표 (Recall@1, @5, @20) 에서 기존 기준선 (FFN, DeepSets, MIST, JESTR, FLARE, SAIL 포함) 을 일관되게 능가합니다.
  • **MassSpecGym (Formula Split)**에서 MSAlign 은 **53.8%**의 Recall@1 을 달성하여, 다음으로 좋은 기준선 (29.5% 의 SAIL) 을 크게 능가합니다.
  • 더 까다로운 **MassSpecGym (MCES Split)**에서, 이는 높은 구조적 비유사성을 강제하며, MSAlign 은 **16.2%**의 Recall@1 을 달성하여 다음으로 좋은 기준선 (2.54%) 보다 훨씬 높은 성능을 보입니다.
  • Spectraverse에서 MSAlign 은 **32.3%**의 Recall@1 을 달성합니다.
• Ablation 연구:
  • 손실 함수: 후보 기반 대비 학습은 회귀 기반 접근법 및 인-배치 (in-batch) 대비 학습 모두를 크게 능가합니다. 저자들은 이를 후보 집합이 제공하는 "어려운 부정적 샘플 (hard negatives)"의 중요성 때문이라고 봅니다.
  • 인코더: 사전 훈련된 기반 모델 (DreaMS 와 ChemBERTa) 을 사용하는 것은 binned 스펙트럼 및 Morgan 핑거프린트와 같은 전통적인 인코더보다 상당한 향상을 가져옵니다.
  • 메타데이터: 메타데이터 (첨가물 유형, 충돌 에너지) 를 통합하면 modest 한 개선 (+2.2% R@1) 을 제공하며, 이는 현재 기반 모델이 이미 이러한 정보의 일부를 암묵적으로 포착하고 있음을 시사합니다.

중요성 및 주장

본 논문은 사전 훈련된 단일 모달 기반 모델을 정렬하는 것이 구조화된 검색 작업에 매우 효과적인 전략임을 입증함으로써, 대사체 식정 분야에서 중요한 진전을 이루었다고 주장합니다.

• 효율성 대 성능: 이 연구는 높은 성능을 위해 거대한 멀티모달 사전 훈련이 필요하지 않음을 강조합니다. 대신, 기존 대규모 단일 모달 모델을 경량 어댑터로 정렬하는 것은 계산적으로 효율적일 뿐만 아니라 성능에서도 우월합니다.
• 벤치마크 엄격성: 분포 이동 지표를 공식화함으로써, 논문은 커뮤니티가 검색 작업의 난이도와 벤치마크 분할의 타당성을 더 잘 이해할 수 있는 도구를 제공합니다. 이는 단순한 정확도 지표를 넘어 일반화 능력을 평가하는 것을 넘어섭니다.
• 재현성: 통합된 코드베이스의 공개는 해당 분야에서 역사적으로 존재했던 통합 구현체의 부재를 해소하여, 방법론들의 직접적이고 공정한 비교를 가능하게 합니다.

저자들은 명시적으로 그들의 접근법이 분자 검색(후보가 주어짐) 을 위해 설계되었으며, 현재는 de novo 구조 규명(후보 없이 처음부터 구조 생성) 을 해결하지는 않지만, 이를 향후 연구의 잠재적 방향으로 언급합니다. 또한, 이 방법의 성능은 기반 모델의 품질에 의존함을 인정합니다.