SpecTUS: Spectral Translator for Unknown Structures annotation from EI-MS spectra

SpecTUS is een diep-neuraal model dat de structurele annotatie van onbekende kleine moleculen op basis van GC-EI-MS-spectra mogelijk maakt door deze direct in 2D-structuren te vertalen, waarbij het aanzienlijk beter presteert dan traditionele databasezoekmethoden.

De kern

Stel je voor dat je in een enorme, duizelingwekkende bibliotheek staat. Deze bibliotheek bevat niet boeken, maar chemische vingerafdrukken. Elke stof die bestaat – van medicijnen tot gifstoffen – laat een uniek patroon na wanneer het wordt ontleed. Dit patroon heet een massaspectrum.

Vroeger was het vinden van een onbekende stof in deze bibliotheek als het zoeken naar een naald in een hooiberg, maar dan met een extra probleem: de bibliotheek bevatte slechts een klein deel van alle mogelijke naalden. Als de stof die je zocht er niet in stond, kon je hem niet vinden.

Hier komt SpecTUS om de hoek kijken. Het is een slimme, kunstmatige intelligentie die deze bibliotheek niet meer nodig heeft om nieuwe stoffen te herkennen.

Wat is SpecTUS eigenlijk?

Denk aan SpecTUS als een super-vertaler.

• De Input (Invoer): Een ruisend, chaotisch patroon van pieken en dalen (het massaspectrum). Dit is als een raadsel in een vreemde taal.
• De Output (Uitvoer): De exacte bouwtekening van het molecuul (de chemische structuur). Dit is de oplossing van het raadsel.

Het bijzondere? Deze vertaler is getraind om de taal van de pieken direct om te zetten in de taal van de moleculen, zonder dat hij eerst moet kijken of de stof al in een lijstje staat. Hij leert de regels van de chemie, net zoals een kind leert dat "hond" een dier is, zonder dat er een foto van elke hond ter wereld in zijn hoofd hoeft te staan.

Hoe werkt het? (De Analogie van de Chef-kok)

Stel je voor dat je een gerecht proeft (het spectrum) en je moet de receptuur (het molecuul) reconstrueren.

1. De Oude Methode (De Database):
   De oude manier was als een kok die alleen recepten kent uit één specifiek kookboek. Als je een gerecht proeft dat er niet in staat, zegt de kok: "Ik weet het niet." Hij kan alleen zoeken naar iets dat lijkt op wat hij kent. Als je een heel nieuw gerecht hebt, faalt hij.

2. De SpecTUS Methode (De Creatieve Chef):
   SpecTUS is als een kok die duizenden kookboeken heeft gelezen, maar ook de principes van smaken en ingrediënten heeft begrepen. Als je hem een nieuw gerecht proeft, zegt hij: "Oké, dit smaakt naar zout, een beetje citroen en een specifieke kruidenmix. Ik ga een recept bedenken dat precies die smaakprofiel heeft."

   Hij doet dit door een enorm groot netwerk van neuronen (een Transformer, net als de technologie achter moderne chatbots) te gebruiken. Hij is eerst getraind op 17,2 miljoen gesimuleerde spectra (virtuele kookboeken die door andere computers zijn gemaakt) om de basisregels te leren. Daarna heeft hij geoefend op 232.000 echte spectra om de "echte wereld" te begrijpen.

Waarom is dit een doorbraak?

In het verleden waren chemici beperkt tot wat er al in de databases stond. Als je een nieuw medicijn of een nieuw gif ontdekte, en het stond niet in de database, was het alsof je in het donker tastte.

SpecTUS verandert dit spel:

• Het ziet de onzichtbare: Het kan stoffen identificeren die nog nooit eerder zijn gezien.
• Het is snel: Het kan in een paar seconden (op een goede computer) of enkele minuten (op een gewone laptop) een antwoord geven.
• Het is nauwkeurig: In tests bleek SpecTUS in 43% van de gevallen de exacte stof te vinden met slechts één gok. De beste oude methode (die wel een database nodig heeft) deed dat maar in 19% van de gevallen. Met 10 gokken deed SpecTUS het zelfs in 65% van de gevallen perfect.

De "Gok" van SpecTUS

SpecTUS is niet perfect, maar het is slim genoeg om te weten dat het soms twijfelt. Het kan daarom meerdere opties geven.

• 1 optie: Snel, goed voor snelle scans.
• 10 opties: Een goede balans. De chemicus kan dan even kijken welke van de 10 voorstellen het meest logisch is.
• 50 opties: Voor als je echt zeker wilt zijn, maar dan moet je wel even de lijst doorbladeren.

Wat betekent dit voor de wereld?

Dit is een game-changer voor:

• Forensiek: Als er een nieuw type drugs op de markt komt dat nog niet in de database staat, kan SpecTUS het direct identificeren.
• Geneesmiddelenontwikkeling: Wetenschappers kunnen sneller nieuwe moleculen vinden en begrijpen.
• Milieuonderzoek: Het vinden van nieuwe vervuilende stoffen in water of lucht.

Samenvatting in één zin

SpecTUS is een slimme AI-vertaler die van een ruisend chemisch patroon direct de bouwtekening van een onbekende stof maakt, zonder dat hij eerst hoeft te zoeken in een ouderwets naslagwerk. Het is alsof we van een bibliotheek zoeken zijn gegaan naar een genie dat de taal van de chemie zelf spreekt.

Technische samenvatting

Probleemstelling

De identificatie en structurele annotatie van verbindingen op basis van massaspectrometrie (MS) is cruciaal voor toepassingen zoals drugsdetectie, forensische wetenschap en de ontdekking van kleine moleculen. De huidige aanpak voor het identificeren van verbindingen uit elektronenionisatie-massaspectrometrie (EI-MS) spectra is afhankelijk van het zoeken in databases.

• Beperkingen: Bestaande databases zijn orders van grootte kleiner dan de ruimte van potentiële moleculaire structuren. Als een verbinding niet in de database staat (een "onbekende" structuur), falen traditionele methoden vaak.
• Huidige methoden:
  • Simple Similarity Search (SSS): Werkt goed als de verbinding in de bibliotheek staat, maar faalt bij onbekende stoffen.
  • Hybrid Similarity Search (HSS): Gebruikt neutrale verliezen en molecuulmassa om de dichtstbijzijnde structuur te vinden. Dit vereist echter een nauwkeurige schatting van de molecuulmassa, wat niet altijd betrouwbaar uit EI-MS spectra kan worden gehaald.
  • De novo generatie: Bestaande modellen zijn voornamelijk getraind op tandem-MS (LC-MS/MS) data, die precursor-ionmassa's bevatten. Er is een gebrek aan modellen die direct van lage-resolutie GC-EI-MS spectra naar moleculaire structuren vertalen zonder deze extra informatie.

Methodologie: SpecTUS

SpecTUS (Spectral Translator for Unknown Structures) is een diep-leermodel dat is ontworpen voor de novo structurele annotatie. Het vertaalt GC-EI-MS spectra direct naar moleculaire structuren (weergegeven als SMILES-strings) zonder verwijzing naar een referentiedatabase.

• Architectuur: SpecTUS is een encoder-decoder transformer-model met 354 miljoen trainbare parameters, gebaseerd op de BART-architectuur.
• Input: Het model ontvangt een gecodeerd massaspectrum bestaande uit pieken (m/z-waarden en relatieve intensiteiten). De m/z-waarden fungeren als positie-informatie, terwijl de intensiteiten worden ingebinsd (logaritmisch in 30 bins) en als embeddings worden verwerkt.
• Output: Het model genereert autoregressief een SMILES-strings die de moleculaire structuur voorstelt.
• Trainingsstrategie (Pretraining & Finetuning):
  1. Pretraining: Het model is eerst getraind op een synthetisch dataset van 17,2 miljoen spectra (gegenereerd door NEIMS en RASSP modellen voor 8,6 miljoen unieke verbindingen). Dit gaf het model een breed begrip van de chemische ruimte en de relatie tussen structuur en spectra.
  2. Finetuning: Vervolgens is het model gefinetuned op 232.025 experimentele spectra uit de NIST 20-bibliotheek om zich aan te passen aan echte, ruisende data.
• Innovaties:
  • Gebruik van meerdere bronnen voor synthetische data tijdens pretraining.
  • Logaritmische binning van intensiteiten voor efficiëntere representatie.
  • Toepassing van Byte Pair Encoding (BPE) en karaktergebaseerde tokenisatie voor SMILES, waarbij bleek dat karaktergebaseerde encoding beter presteerde dan geaggregeerde tokens of SELFIES.
  • Het model kan een willekeurig aantal kandidaat-structuren genereren, elk met een bijbehorende zekerheidsscore.

Belangrijkste Bijdragen

1. Eerste model voor GC-EI-MS de novo: SpecTUS is het eerste model dat succesvol moleculaire structuren reconstrueert uit lage-resolutie GC-EI-MS spectra zonder hulpinformatie zoals precursor-massa's of molecuulformules.
2. Onafhankelijkheid van databases: Het model kan verbindingen identificeren die volledig afwezig zijn in bestaande spectrale bibliotheken, wat een fundamentele beperking van huidige methoden oplost.
3. Uitgebreide evaluatie en benchmarking: Een rigoureuze vergelijking met state-of-the-art database-zoekmethoden (SSS en HSS) op meerdere datasets (NIST, SWGDRUG, Cayman, MONA).
4. Open Science: De auteurs publiceren twee datasets met in totaal 17,2 miljoen synthetische spectra, het voorgeprogrammeerde model, trainingsscripts en een gedetailleerde tutorial. Hoewel het gefinetunde model beperkt is door licenties, worden alle tools voor reproduceerbaarheid beschikbaar gesteld.

Resultaten

SpecTUS presteerde significant beter dan traditionele database-zoekmethoden, vooral bij het identificeren van onbekende verbindingen.

• NIST Test Set (28.267 spectra):
  • Enkele kandidaat (Top-1): SpecTUS reconstrueerde perfect 43% van de verbindingen. Dit is een enorme verbetering ten opzichte van HSS (Hybrid Similarity Search), dat slechts in ongeveer 19% van de gevallen de beste kandidaat uit de database vond. SpecTUS presteerde in 76% van de gevallen strikt beter dan HSS.
  • Tien kandidaten (Top-10): De nauwkeurigheid steeg naar 65% voor perfecte reconstructies. SpecTUS overtrof HSS in 84% van de gevallen.
  • Vijftig kandidaten (Top-50): SpecTUS bereikte een Top-50 nauwkeurigheid van 69%, terwijl HSS hier niet significant verbeterde.
• Vergelijking met theoretische bovengrens: SpecTUS overtrof zelfs de "Best Database Candidate" (BDC) – de theoretisch beste structuur die uit de database gehaald kan worden op basis van structurele gelijkenis – in 47% van de gevallen (Top-1) en 70% van de gevallen (Top-10) op de NIST en SWGDRUG datasets. Dit bewijst dat SpecTUS in staat is om generalisatie te tonen buiten de bekende structuren.
• Snelheid: Het model is efficiënt. Op een moderne GPU (H100) duurt het genereren van 10 kandidaten slechts 0,4 seconden. Zelfs op een CPU is het haalbaar (ongeveer 36 seconden voor 10 kandidaten).
• Foutanalyse: Veelvoorkomende fouten omvatten het verkeerd verlengen/verkorten van ketens of het verkeerd plaatsen van functionele groepen. Desalniettemin behaalde SpecTUS in 65% van de gevallen een perfecte Tanimoto-similariteit (score 1) in de Top-10.

Betekenis en Toekomstperspectief

SpecTUS markeert een doorbraak in de chemische informatiekunde. Het bewijst dat lage-resolutie EI-MS spectra, ondanks het ontbreken van precursor-massa-informatie, rijk genoeg zijn aan informatie om met diep leren nauwkeurige structurele annotaties te genereren.

• Praktische impact: Het opent de deur voor de identificatie van volledig nieuwe verbindingen in gebieden zoals milieu-monitoring, drugontwikkeling en forensisch onderzoek, waar de meeste stoffen niet in bestaande bibliotheken staan.
• Schalbaarheid: De resultaten tonen aan dat het vergroten van de trainingsdataset en de trainingsduur leidt tot betere prestaties, wat suggereert dat verdere verbeteringen mogelijk zijn met meer data.
• Toekomst: De auteurs plannen onderzoek naar het gebruik van hoge-resolutie GC-MS data en het verder schalen van de pretrainingsdatasets om de nauwkeurigheid nog verder te verhogen.

Kortom, SpecTUS vervangt de afhankelijkheid van beperkte databases door een generatief model dat de chemische ruimte direct kan verkennen, wat een fundamentele verschuiving betekent in hoe we massaspectrometrie-data interpreteren.