FraGNNet: A Deep Probabilistic Model for Mass Spectrum Prediction

从质谱图中确定化合物的过程是分析复杂混合物的关键步骤。解决质谱图到化合物（MS2C）问题的典型方法是将未知谱与已知谱-分子对库进行匹配，但这种方法受到库覆盖不完整的限制。化合物到质谱图（C2MS）模型可以通过将实际库与预测谱进行结合来提高检索率。然而，许多现有的C2MS模型存在预测分辨率、可扩展性或可解释性的问题。我们开发了一种新的C2MS预测概率方法FraGNNet，可以高效准确地预测高分辨率谱。FraGNNet使用结构化潜在空间来提供有关定义谱的基本过程的见解。我们的模型在预测误差方面实现了最先进的性能，并超越了现有的C2MS模型，成为基于检索的MS2C的工具。

本论文旨在解决质谱分析中的化合物与质谱之间的匹配问题，通过提出一种新的概率模型FraGNNet，来增强化合物到质谱(C2MS)模型的预测能力。

FraGNNet模型使用结构化潜在空间来提高预测分辨率和可扩展性，同时提供对定义谱的基本过程的洞察力，并在预测误差方面实现了最先进的性能。

本论文的实验表明，FraGNNet模型在预测方面具有更高的准确性和分辨率，并且在检索式MS2C中表现出更好的性能。论文还提供了数据集和开源代码，以便其他研究人员可以使用和扩展该模型。

在相关研究方面，最近的一些研究包括《DeepEI: Predicting Electron Ionization Mass Spectra to Accelerate Compound Identification and High-throughput Fragmentation Screening》和《Prediction of Gas Chromatographic Retention Indices with Deep Learning》等。