串联质谱图小分子检索：我们到底在优化什么？
偏微分方程分析
2026-02-19 v1
摘要
计算分析液相色谱-串联质谱（LC-MS/MS）数据的核心挑战之一是识别输出光谱所对应的化合物。近年来，这一问题正越来越多地采用深度学习方法来解决。常见策略是从输入质谱图预测分子指纹向量，然后用于在化合物数据库中搜索匹配。虽然在训练这些预测模型时采用了各种损失函数，但其对模型性能的影响仍不完全明了。本研究检验了常用损失函数，推导了新的后悔界，表明贝叶斯最优决策对于这些目标必须发生偏差。我们的结果揭示了两个目标（1）指纹相似性和（2）分子检索之间存在根本性的权衡。优化更准确的指纹预测通常会恶化检索结果，反之亦然。我们的理论分析表明，这一权衡取决于候选集的相似性结构，为损失函数和指纹选择提供了指导。
引用
@article{arxiv.2602.16506,
title = {Fully sign-changing Nehari constraint vs sign-changing solutions of a competitive Schr\"{o}dinger system},
author = {Xuejiao Fu and Fukun Zhao},
journal= {arXiv preprint arXiv:2602.16506},
year = {2026}
}