[논문 리뷰] Efficiently predicting high resolution mass spectra with graph neural networks

Michael Murphy, Stefanie Jegelka외 4명|arXiv (Cornell University)|2023. 01. 26.

Metabolomics and Mass Spectrometry Studies인용 수 26

한 줄 요약

GrAFF-MS는 분자 그래프를 고정 어휘의 형식으로 매핑하여 고해상도 질량 스펙트럼을 예측하고, 정확도와 속도 모두에서 최첨단 방법을 능가하는 효율적인 스펙트럼 예측을 가능하게 한다.

ABSTRACT

Identifying a small molecule from its mass spectrum is the primary open problem in computational metabolomics. This is typically cast as information retrieval: an unknown spectrum is matched against spectra predicted computationally from a large database of chemical structures. However, current approaches to spectrum prediction model the output space in ways that force a tradeoff between capturing high resolution mass information and tractable learning. We resolve this tradeoff by casting spectrum prediction as a mapping from an input molecular graph to a probability distribution over molecular formulas. We discover that a large corpus of mass spectra can be closely approximated using a fixed vocabulary constituting only 2% of all observed formulas. This enables efficient spectrum prediction using an architecture similar to graph classification - GrAFF-MS - achieving significantly lower prediction error and orders-of-magnitude faster runtime than state-of-the-art methods.

연구 동기 및 목표

• MS/MS 스펙트럼으로부터 작은 분자를 식별하는 과제와 고해상도 스펙트럼 예측의 필요성을 제시한다.
• 전구체 서브포뮬라의 분포로 스펙트럼 표현을 제안하여 m/z 해상도를 보존한다.
• 고정된 포뮬라 어휘가 대부분의 스펙트럼 신호를 포착하고 확장 가능한 학습을 가능하게 함을 입증한다.
• GrAFF-MS를 개발하여 스펙트럼을 효율적이고 정확하게 예측하는 그래프 신경망.
• 대규모 MS/MS 데이터셋에서 GrAFF-MS를 최첨단 baselines와 비교 평가한다.

제안 방법

• 전구체 P의 분자 서브포뮬라에 대한 확률 분포로 스펙트럼을 모델링한다.
• 자주 발생하는 생성 이온과 중성 손실로 구성된 고정 어휘 hatF(P)를 도입하여 F(P)를 근사한다.
• 각 피크별로 호환 가능한 포뮬라를 주변화하는 피크-주변 교차 엔트로피로 학습한다.
• GINEConv 기반 메시지 전달과 어텐션 풀링으로 각 포뮬라 높이를 해독하는 GrAFF-MS(그래프 신경망)를 사용한다.
• 생성 이온과 중성 손실 간의 중복 계산, 그리고 애드덕트, 동위원소 상태에 대한 도메인 특화 보정을 도입한다.
• 고정 어휘의 포뮬라에 대한 로짓을 예측하고 동위원소/애드덕트 보정을 적용한 소프트맥스로 스펙트럼 높이를 얻는다.

실험 결과

연구 질문

• RQ1 자주 발생하는 생성 이온과 중성 손실의 고정 어휘가 소분자에 대한 대부분의 스펙트럼 신호를 포착할 수 있는가?
• RQ2 포뮬라의 분포로 스펙트럼을 예측하는 것이 서브구조를 열거하지 않고도 고해상도(m/z) 예측을 가능하게 하는가?
• RQ3 GrAFF-MS가 결합 파손(bond-breaking) 및 질량 구분(mass-binning) 접근법과 정확도 및 런타임 면에서 어떤 차이가 있는가?
• RQ4 고정 어휘 접근법이 학습 데이터 외의 독립적인 데이터세트에 일반화될 수 있는가?
• RQ5 대규모 분자 데이터베이스에서 GrAFF-MS의 실용적 확장성 및 속도 이점은 무엇인가?

주요 결과

Method	NIST-20 Test: E[C]	NIST-20 Test: P(C>0.7)	CASMI-16: E[C]	CASMI-16: P(C>0.7)
CFM-ID	.52 ± .01	.35 ± .02	.75 ± .05	.70 ± .07
NEIMS	.60 ± .01	.50 ± .01	.63 ± .05	.54 ± .08
GrAFF-MS	.70 ± .01	.62 ± .02	.79 ± .05	.76 ± .07

• 약 10,000개의 포뮬라로 구성된 고정 어휘가 NIST-20 학습 분할에서 이온 개수의 약 98%를 설명한다.
• GrAFF-MS는 두 데이터세트에서 기준보다 높은 평균 코사인 유사도를 달성한다: NIST-20 테스트 평균 C = 0.70 및 CASMI-16 평균 C = 0.79.
• GrAFF-MS는 유용성(C>0.7)에서 기준선보다 높다: NIST-20 0.62 대 기준선 0.35–0.50; CASMI-16 0.76 대 기준선 0.54–0.70.
• NIST-20 테스트 세트에서 GrAFF-MS는 mean cosine similarity와 usable-prediction fraction 모두에서 CFM-ID와 NEIMS를 앞선다.
• GrAFF-MS는 bond-breaking 방법보다 빠르다: CPU 전진 패스가 스펙트럼당 약 1.3 코어-초로 선형 확장; 단일 GPU에서 배치 512일 때 NIST-20 스펙트럼당 약 2.8 ms.
• 이 방법은 분자량이 증가함에 따라 bond-breaking보다 더 잘 확장된다(예: >500 Da의 경우 약 16배 더 빠름).
• 예측은 포뮬라 측면에서 해석 가능하고 매우 유사한 화합물도 구분할 수 있으며 도전적인 경우에는 인간과 유사한 오류를 보인다.