Ein End-to-End-Deep-Learning-Rahmenwerk zur Übersetzung von Massenspektren in De-novo-Moleküle

Die Aufklärung der Struktur einer chemischen Verbindung ist eine grundlegende Aufgabe in der Chemie mit Anwendungen in mehreren Bereichen, einschließlich der Wirkstoffentdeckung, der präzisionsmedizin und der Biomarkerentdeckung. Die gängige Praxis zur Aufklärung der Struktur einer Verbindung besteht darin, ein Massenspektrum zu erhalten und anschließend die Struktur aus spektroskopischen Datenbanken abzurufen. Diese Methoden versagen jedoch bei neuartigen Molekülen, die nicht in der Referenzdatenbank vorhanden sind. Wir schlagen Spec2Mol vor, eine Deep-Learning-Architektur zur Empfehlung von Molekularstrukturen basierend allein auf Massenspektren. Spec2Mol ist inspiriert von den Deep-Learning-Architekturen Speech2Text, die Audiosignale in Text übersetzen. Unser Ansatz basiert auf einer Encoder-Decoder-Architektur. Der Encoder lernt die Spektrum-Embeddings, während der Decoder, der auf einem umfangreichen Datensatz chemischer Strukturen vortrainiert ist, um zwischen verschiedenen molekularen Darstellungen zu übersetzen, SMILES-Sequenzen der empfohlenen chemischen Strukturen rekonstruiert. Wir haben Spec2Mol bewertet, indem wir die molekulare Ähnlichkeit zwischen den empfohlenen Strukturen und der Originalstruktur beurteilt haben. Unsere Analyse zeigte, dass Spec2Mol in der Lage ist, das Vorhandensein wichtiger molekularer Substrukturen aus seinem Massenspektrum zu identifizieren, und zeigt eine vergleichbare Leistung im Vergleich zu bestehenden Fragmentierungsbaum-Methoden, insbesondere wenn keine Teststrukturinformationen während des Trainings verfügbar sind oder in der Referenzdatenbank vorhanden sind.