FlexMS：面向代谢组学中深度学习基盾质谱预测工具的灵活基准框架

化合物识别和性质预测是推动药物发现和材料科学发展的核心任务，其中串联质谱技术提供有价值的断裂线索，呈现为 m/z 比值峰。然而，缺乏实验光谱阻碍了对每个分子识别的附加，从而催化了计算模型的预测方法的建立。深度学习模型在预测分子结构光谱方面显示出前景，但由于方法的异质性和缺乏明确定义的基准，整体评估仍具有挑战性。为此，我们的贡献是创建用于构建和评估 diverse model architectures in mass spectrum prediction 的 benchmark 框架 FlexMS。凭借其易用性和灵活性，FlexMS 支持动态构建大量不同模型 architecture 的组合，同时使用不同指标对其在预处理的公开数据集上的性能进行评估。本文提供了关于影响性能因素的见解，包括数据集的结构多样性、学习率和数据稀疏性等超参数、预训练效果、metadata ablation 设置以及跨域迁移学习分析。这提供了在选择合适模型方面的实用指导。此外，检索基准模拟实际识别情景，基于预测光谱对潜在匹配进行评分。