FLARE：用于对齐质谱-分子表征的细粒度学习提升代谢物注释能力

通过串联质谱进行准确的代谢物注释仍是非靶向代谢组学中的主要瓶颈。近期避免分子生成或光谱模拟的隐式模型通过在嵌入空间中对齐质谱和分子结构展现出了具有竞争力的性能。然而，它们忽视了决定碎裂过程的质谱峰与分子亚结构之间的详细关系。我们提出了 FLARE（用于对齐质谱-分子表征的细粒度学习，Fine-grained Learning for Alignment of spectra-molecule REpresentations），这是一种在学习弱监督下利用双向峰-节点对齐的对比学习框架。与仅依赖全局嵌入的模型不同，FLARE 通过峰到原子及原子到峰相互作用的最大值计算相似度，捕捉具有化学意义的局部对应关系，并实现可解释的质谱-分子匹配。该模型在 MassSpecGym 上取得了最先进的结果，rank@1 分别达到 43.15%（基于质量）和 22.66%（基于分子式），较以往模型提升超过 63%。FLARE 学习到的嵌入与分子类别相对应，与指纹相似度相吻合，并在乳腺癌异种移植研究中检测到了差异代谢物，展示了其转化潜力。