HNSW-MS: Hierarchical Graph Indexing Enables Accurate Real-Time Mass Spectral Similarity Search at Repository Scale.
本文介绍了 HNSW-MS，这是一种新型的分层图索引方法，它无需光谱嵌入，即可实现对十亿级质谱库中近乎瞬时、高精度且可复现的实时相似性搜索，从而促进快速的全局分子网络构建和新型代谢物的发现。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
质谱分析是化学家用来识别存在于植物、细菌和人类细胞中的微小分子的强大工具。它的工作原理是将这些分子拆解并称量其碎片，从而为每一个分子创造出独特的“指纹”。科学家们多年来一直致力于建立庞大的数字化指纹库，希望当他们在样本中发现一种新的未知分子时，只需将其指纹与库进行比对，就能识别出它是什么。长期以来，这个库规模较小，计算机可以逐一检查每一条记录以寻找匹配项。但随着技术的进步，数据量发生了爆炸式增长。目前的公共数据库已持有超过十亿个这样的分子指纹。试图将一个新发现的样本与十亿条记录逐一对比，就像要在地球上每一片沙滩中寻找一颗特定的沙粒一样；完成单次搜索将耗费数年的计算机运行时间，使得实时发现变得不再可能。
一组研究人员现在通过一种名为 HNSW-MS 的新方法解决了这一瓶颈。该系统不再强迫计算机检查库中的每一项条目，而是构建了一个智能的分层地图。想象一下，这个库不再是一个扁平的列表，而是一个多层网络，其中相似的分子被连接在一起。当科学家要求计算机寻找匹配项时，系统并不会扫描整个列表，而是利用这张地图在不同类别的相似分子之间快速跳转，以惊人的速度缩小搜索范围。研究人员在包含 840 万个质谱的数据集上测试了该方法，这一规模代表了现代公共数据的规模。他们发现，这种新方法寻找匹配的速度比旧有的穷举搜索方式快了高达 900 倍。至关重要的是，这种速度提升并没有以牺牲准确性为代价。该系统在超过 90% 的情况下都能返回正确的首选匹配项，证明了它能够在不损失科学发现所需的精确度的情况下，处理如此大规模的全球数据。
这种速度的力量在科学家试图理解不仅是一个分子是什么，而且它如何与化学世界中的其他事物产生联系时，变得清晰可见。过去，研究人员只能在单次实验内构建“分子网络”——即展示哪些分子在结构上相关的地图。他们无法轻易地将自己的新发现与已存储在公共数据库中的数十亿其他分子联系起来。有了这个新工具，科学家可以拿出一个单一的未知光谱，瞬间看到它在全球网络中的位置。该系统会找到海量数据库中最近的“邻居”，然后向外扩展，揭示出一系列由传统方法可能会遗漏的相关化合物。这实现了一种全新的发现模式：即通过未知分子在所有已知化学领域中的语境（context）来理解它，而非仅仅孤立地看待它。
为了证明这种方法的价值，研究人员利用该系统调查了两个一直存在于公共数据中、但其完整故事仍处于隐藏状态的特定分子。第一个是一种由土壤细菌产生的抗生素。通过观察其在全球范围内的“邻里关系”，研究人员发现了一系列相关的分子，这些分子仅在脂肪链的长度上有所不同。这些新变体具有偶数碳链，这一特征违背了已知关于该细菌构建分子的规则。这一发现表明，该细菌构建此类化合物的能力比此前认为的更为广泛，为理解这些抗生素是如何制造的开启了新篇章。第二个例子涉及一种胆汁酸，即肝脏产生的一种分子。系统显示，该分子与一对氨基酸相连，这种组合在自然界中极其罕见。虽然这种连接在非常特定的背景下曾出现过一两次，但在全球搜索中发现第三个例子意味着，这些复杂的配对可能比科学家意识到的要普遍得多，只是在旧的、较慢的搜索方法面前它们一直处于“隐形”状态。
研究人员强调，尽管计算机现在可以在毫秒内找到这些联系，但解读它们仍需要人类的洞察力。搜索速度的提升意味着科学家现在可以实时向整个全球数据集提出问题，这在以前是不可能实现的。该系统旨在进行持续更新；随着新数据被添加到公共库中，它可以被插入到地图中，而无需重建整个结构。这意味着随着世界化学知识的增长，该工具只会变得更加强大。这项研究表明，通过改变我们组织和搜索数据的方式，我们可以从缓慢、线性的列表检查过程，转向对分子世界的动态、实时探索，将庞大的、难以解释的化学信号“暗物质”转化为一片可供发现的新生物学景观。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。