面向质谱仪分子识别的对比学习域泛化
太阳与恒星天体物理
2026-02-03 v1
摘要
从质谱（MS）数据中识别分子仍是一个根本性挑战，因为物理谱峰与底层化学结构之间存在语义鸿沟。现有的深度学习方法常将谱图匹配视为封闭集识别任务，限制了其对未见分子骨架的泛化能力。为克服这一限制，我们提出一种跨模态对齐框架，直接将质谱谱图映射到预训练化学语言模型的化学有意义分子结构嵌入空间。在严格的骨架无关基准上，我们的模型在固定256路零样本检索中实现了42.2%的Top-1准确率，并在全局检索设置下表现出强大的泛化能力。此外，所学嵌入空间在化学一致性方面表现优异，在5-shot分子重识别中达到了95.4%的准确率。这些结果表明，显式地将物理谱分辨率与分子结构嵌入集成是解决MS数据分子识别泛化瓶颈的关键。
引用
@article{arxiv.2602.00546,
title = {Envelope Inflation and outflow Driven by Energy Deposition in Massive Stars},
author = {Bhawna Mukhija and Amit Kashi},
journal= {arXiv preprint arXiv:2602.00546},
year = {2026}
}
备注
Accepted to ApJ