用自回归神经网络生成分子碎裂图
摘要：基于分子结构准确预测串联质谱的潜力能够通过增加实验参考标准库来解锁新的代谢组学发现。化学信息谱预测策略使用“断键”框架来迭代地模拟质谱碎片化，但这些方法 (a) 速度慢，因为需要耗尽并组合地断开分子，和 (b) 不准确，因为它们通常依赖于启发式方法来预测每个结果碎片的强度；神经网络替代方法可以减少计算成本，但是是黑盒子并且本质上不更准确。我们引入了一种基于物理基础的神经方法，该方法学习预测每个断裂事件并快速准确地评分最相关的分子片段子集。我们通过预测公共和私有标准库中的光谱来评估我们的模型，展示了我们的混合方法在预测准确性、从候选数据库中改进代谢物识别以及与之前的断裂方法和黑盒子神经网络相比的更高的可解释性方面提供了最先进的结果。基于我们方法的物理碎裂事件显示出解释更复杂支架的天然产物分子的高潜力。
作者：Samuel Goldman, Janet Li, and Connor W. Coley
论文ID：2304.13136
分类：Quantitative Methods
分类简称：q-bio.QM
提交时间：2023-04-27