多尺度正弦嵌入赋能高分辨质谱数据学习
机器学习
2023-05-08 v2 定量方法
摘要
生物样本中的小分子被研究以提供关于疾病状态、环境毒素、天然产物药物发现及许多其他应用的信息。探究小分子混合物组成的主要窗口是串联质谱（MS2），其产生的数据具有高灵敏度和百万分率分辨率。我们采用 MS2 中质量数据的多尺度正弦嵌入，以应对从 MS2 数据全分辨率学习的挑战。利用这些嵌入，我们提供了谱库检索的新 SOTA 模型，该任务是 MS2 数据初始评估的标准任务。我们还引入了一项新任务——从 MS2 数据进行化学性质预测，其在高通量 MS2 实验中具有自然应用，并展示对药物化学家优先的 10 种化学性质，新化合物平均 可达 80%。我们使用降维技术与不同浮点精度实验，展示了多尺度正弦嵌入在 MS2 数据学习中起到的关键作用。
引用
@article{arxiv.2207.02980,
title = {Multi-scale Sinusoidal Embeddings Enable Learning on High Resolution Mass Spectrometry Data},
author = {Gennady Voronov and Rose Lightheart and Joe Davison and Christoph A. Krettler and David Healey and Thomas Butler},
journal= {arXiv preprint arXiv:2207.02980},
year = {2023}
}