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

本文提出了一种名为 SpecTUS 的深度学习模型，能够从低分辨率气相色谱 - 电子轰击质谱（GC-EI-MS）中直接翻译生成未知小分子的二维结构，并在针对库外化合物的结构注释任务中显著超越了传统的数据库搜索方法。

要点

这篇论文介绍了一个名为 SpecTUS 的人工智能工具，它的核心任务非常酷：直接通过质谱图“猜”出未知化学物质的分子结构。

为了让你更容易理解，我们可以把这项技术想象成**“化学界的破译密码”或“指纹识别”**。

1. 背景：化学家的“指纹”难题

想象一下，化学家们有一种叫做 GC-EI-MS（气相色谱 - 质谱联用）的仪器。当它分析一种物质时，会把分子打碎成很多小碎片，然后画出一张图，叫质谱图。

• 质谱图是什么？ 就像人的指纹或者DNA 图谱。每个化学物质都有独特的“指纹”（由不同大小的碎片和它们的数量组成）。
• 以前的做法（查字典）： 过去，如果化学家拿到一张新的指纹图，他们只能去查一本巨大的“指纹字典”（数据库）。如果字典里有这个指纹，就能认出是谁；如果字典里没有（比如是一个全新的毒品或未知污染物），他们就束手无策了。
• 问题所在： 现实世界中可能的化学物质有亿亿万种，但现有的“指纹字典”里只有几十万种。这就好比你想在只有 100 个人的通讯录里找全世界的人，大部分时候都找不到。

2. 主角登场：SpecTUS（光谱翻译官）

SpecTUS 就是一个**“超级翻译官”。它不像以前那样去查字典，而是像学习语言一样，学会了“从指纹直接翻译出长相”**。

• 它的超能力： 即使它从未见过某个特定的化学物质，只要给它看它的“指纹”（质谱图），它就能利用学到的化学规律，凭空构建（De novo） 出这个分子的形状（用一种叫 SMILES 的字符串表示）。
• 比喻： 以前是“拿着照片去户籍科查人”（查数据库）；现在 SpecTUS 是“看着照片，直接画出这个人的素描”（生成结构）。哪怕这个人从未在户籍科登记过，它也能画个八九不离十。

3. 它是如何学习的？（预训练 + 微调）

SpecTUS 的学习过程分两步走，就像培养一个天才侦探：

1. 第一步：在“模拟世界”里练级（预训练）
   • 现实中的实验数据太少了，而且太贵。所以，作者先用两个 AI 模型（NEIMS 和 RASSP）生成了1720 万张“假指纹”（合成数据）。
   • 这就像让侦探在虚拟现实游戏里看了几千万个案例，虽然这些案例是电脑生成的，但足以让它理解“指纹”和“长相”之间的基本规律（比如：如果有这种碎片，通常意味着分子里有个苯环）。
2. 第二步：在“真实世界”里实习（微调）
   • 然后，它去阅读了NIST 20 数据库（这是最权威的实验指纹库，约 23 万张真实图谱）。
   • 这就像侦探从游戏里出来，去真实的犯罪现场实习，把学到的理论应用到真实的、有点杂乱的指纹上，修正自己的判断。

4. 效果怎么样？（碾压传统方法）

论文做了一场大考，把 SpecTUS 和传统的“查字典”方法（数据库搜索）进行了对比：

• 场景： 给 AI 一张从未见过的指纹图，让它猜这是什么分子。
• 传统方法（查字典）：
  • 如果字典里没有，它只能猜一个“最像的亲戚”。
  • 结果：在 100 次尝试中，只有约 19% 能猜对（或者猜个最接近的）。
• SpecTUS（直接生成）：
  • 它不需要字典，直接画结构。
  • 结果：在 100 次尝试中，有 43% 能完全画对（完美还原分子结构）。如果允许它多猜几个（比如给 10 个选项），准确率能飙升到 65%。
• 比喻： 传统方法像是在玩“连连看”，找不到就随便连一个；SpecTUS 像是直接“变魔术”，变出了正确的物体。

5. 为什么这很重要？

• 发现新事物： 在药物研发、法医鉴定（比如新型毒品）或环境检测中，经常遇到“从未见过的东西”。以前遇到这些就没办法，现在 SpecTUS 能告诉我们它大概长什么样。
• 速度快： 它运行很快，在普通电脑上几秒钟就能分析一个样本，在高端显卡上更是毫秒级。
• 不需要额外信息： 以前的很多 AI 模型需要知道分子的“体重”（分子量）才能猜结构，但 SpecTUS 不需要，它只看指纹就能猜，这更符合实际应用场景。

6. 它有什么小缺点？

• 不是 100% 完美： 它偶尔也会犯错，比如把分子链画长了一点点，或者把某个官能团放错了位置（就像画画时把眼睛画歪了一点点）。
• 无法解释“为什么”： 它是一个“黑盒”模型。它能给你答案，但很难告诉你“为什么我觉得是这个结构”（不像查字典那样能指着数据库说“看，这个指纹和库里的一模一样”）。
• 依赖数据质量： 如果输入的指纹图太模糊或质量太差，它的准确率会下降。

总结

SpecTUS 就像是一个不需要字典就能读懂化学“天书”的 AI 翻译家。它通过海量数据的训练，学会了从破碎的指纹中直接重构出完整的分子形象。这标志着我们在识别未知化学物质方面，从“查户口”时代迈向了“画像”时代，对于发现新药物、打击新型犯罪和探索未知化学世界具有巨大的潜力。

作者还大方地公开了代码、数据和模型，让全球的科学家都能使用这个工具。

技术摘要

以下是基于论文《SpecTUS: Spectral Translator for Unknown Structures》的详细技术总结：

1. 研究背景与问题 (Problem)

• 核心挑战：在药物发现、法医鉴定和小分子研究中，从电子电离质谱（EI-MS）谱图中鉴定化合物和注释结构至关重要。然而，现有的基于数据库的搜索方法（如简单相似性搜索 SSS 或混合相似性搜索 HSS）受限于参考谱库的规模。谱库通常只包含数十万张谱图，而潜在的小分子结构空间高达 $10^{60}$ 种，导致大量未知化合物无法被识别。
• 现有方法的局限：
  • 数据库搜索：依赖已知谱图，无法识别库中不存在的“未知”化合物。
  • 从头生成（De Novo）：现有的深度学习模型（如 MassGenie, Spec2Mol 等）主要针对液相色谱 - 串联质谱（LC-MS/MS）数据训练，依赖前体离子质量（Precursor Mass）或分子式作为强约束。
  • GC-EI-MS 的特殊性：气相色谱 - 电子电离质谱（GC-EI-MS）是挥发性化合物分析的金标准，其谱图具有高度一致性（70 eV 电子能量），但缺乏前体离子质量信息。目前缺乏专门针对低分辨率 GC-EI-MS 谱图进行从头结构生成的深度学习模型。

2. 方法论 (Methodology)

SpecTUS 是一个基于深度学习的端到端模型，旨在直接将 GC-EI-MS 谱图翻译为分子结构（SMILES 字符串），无需参考数据库或前体质量信息。

• 模型架构：

  • 基于 BART（一种编码器 - 解码器 Transformer 架构），专为自然语言处理设计，但在此处用于谱图到分子的翻译。
  • 参数量：3.54 亿（354 million）。
  • 输入：编码后的质谱峰（m/z 值和相对强度）。
  • 输出：自回归生成的分子结构 SMILES 字符串。
  • 输入编码创新：利用 m/z 的整数特性编码相对位置，将强度信息编码到位置编码通道中。模型包含三组可训练嵌入：m/z 值、分箱后的强度值和 SMILES 字符。

• 训练策略（两阶段）：

  1. 预训练（Pretraining）：
     • 数据：使用 NEIMS 和 RASSP 两个合成模型生成的 1720 万 张合成谱图（对应 860 万种化合物）。
     • 目的：让模型学习化学空间中小分子结构与谱图之间的基础关系，掌握原子量与 m/z 的对应规则。
     • 混合策略：实验表明，混合 NEIMS 和 RASSP 的数据（1:1）比单一来源效果更好。
  2. 微调（Finetuning）：
     • 数据：NIST 20 库中的 232,025 张高质量实验谱图。
     • 目的：调整模型以适应真实的实验数据分布，修正合成数据的偏差。
     • 数据清洗：去除了同位素、氘代化合物，并过滤了 m/z > 500、峰数 > 300 或 SMILES 长度 > 100 的异常数据。

• 输入预处理：

  • m/z 值取整。
  • 相对强度值使用 对数分箱（Logarithmic binning）（30 个 bin，底数 1.28），相比线性分箱能更好地保留低强度峰信息并减少参数量。
  • 引入源指示 Token（如 <neims>, <rassp>, <nist>），虽实验显示对最终性能影响不大，但保留了以适配未来多源微调。

• 分子表示：

  • 实验对比了 SMILES 和 SELFIES，以及字符级与 BPE（字节对编码）分词。
  • 结论：字符级 SMILES 编码（Character-level SMILES）表现最佳，优于 SELFIES 和 BPE 分词。Transformer 架构内部能有效构建高层分子语义，无需外部复杂的分词策略。

3. 关键贡献 (Key Contributions)

1. 首个 GC-EI-MS 从头生成模型：SpecTUS 是第一个专门针对低分辨率 GC-EI-MS 谱图进行从头结构重建的深度学习模型，无需前体离子质量或分子式作为输入。
2. 超越数据库搜索：证明了在未知化合物识别任务中，深度学习生成方法可以显著超越传统的数据库搜索（包括混合相似性搜索 HSS）。
3. 合成数据预训练策略：验证了利用大规模合成数据（NEIMS + RASSP）预训练，再在实验数据上微调的策略，能有效提升模型在真实场景下的泛化能力。
4. 开源与可复现性：发布了包含 1720 万张合成谱图的数据集、预训练模型、训练/评估脚本以及详细的教程。尽管最终微调模型因 NIST 许可限制无法直接分发，但提供了完整的数据划分和预处理脚本以确保可复现性。

4. 实验结果 (Results)

在 NIST 20 的独立测试集（28,267 张谱图，且与训练集无重叠）及其他外部库（SWGDRUG, Cayman, MONA）上进行了严格评估：

• 准确率（Accuracy, Acc）：

  • 单候选（Top-1）：SpecTUS 在 NIST 测试集上实现了 43% 的完美结构重建率。相比之下，传统混合搜索（HSS）在相同设置下仅为约 19%（若考虑实际未知化合物，数据库搜索无法识别库外化合物，准确率为 0）。
  • 多候选（Top-10）：SpecTUS 的 Top-10 准确率达到 65%。
  • 对比优势：在 76% 的案例中，SpecTUS 的单候选结果严格优于 HSS 的最佳候选；在 84% 的案例中，Top-10 结果优于 HSS 的 Top-10。

• 结构相似度（Similarity, Sim）：

  • 在 NIST 和 SWGDRUG 数据集上，SpecTUS 的 Top-10 平均结构相似度（Tanimoto 相似度）达到 0.81 - 0.82。
  • 这一表现甚至超过了理论上的数据库搜索上限（Best Database Candidate, BDC），证明了模型具备超越已知结构库的泛化能力。

• 泛化能力：

  • 在较少 curated 的数据集（如 MONA）上，虽然性能有所下降，但 SpecTUS 的单候选预测仍能匹配 HSS 的 Top-10 性能。
  • 模型能够识别训练集中未出现的全新化合物，而非简单的记忆。

• 推理速度：

  • 在高端 GPU (H100) 上，生成 10 个候选结构仅需 0.4 秒。
  • 在普通 CPU (Xeon Gold) 上，生成 10 个候选也仅需 36 秒，具备实际部署潜力。

5. 意义与展望 (Significance)

• 解决“未知化合物”难题：SpecTUS 打破了传统方法对参考谱库的依赖，使得从 EI-MS 谱图中直接推断未知小分子结构成为可能，极大地扩展了质谱分析在发现新化合物、环境污染物和非法药物方面的应用边界。
• 技术范式转移：展示了将自然语言处理（NLP）中的 Transformer 架构成功迁移至化学信息学领域的潜力，特别是证明了即使缺乏前体质量信息，仅凭碎片化谱图也能通过深度学习实现高精度结构解析。
• 未来方向：作者计划探索高分辨率 GC-MS 数据对模型性能的进一步提升，并研究扩大预训练数据集规模对泛化能力的边际效应。

总结：SpecTUS 代表了质谱结构解析领域的一项重大突破，它通过创新的深度学习架构和训练策略，成功实现了从低分辨率 EI-MS 谱图到分子结构的直接翻译，其性能显著优于现有的数据库搜索方法，为未知化合物的快速鉴定提供了强有力的工具。