[논문 리뷰] MassFormer: Tandem Mass Spectrum Prediction with Graph Transformers.

Adamo Young, Bo Wang외 1명|arXiv (Cornell University)|2021. 11. 08.

Metabolomics and Mass Spectrometry Studies참고 문헌 57인용 수 4

한 줄 요약

MassFormer는 분자의 구조와 주목적 메커니즘을 활용하여 정확한 탄성 질량 스펙트럼 예측을 위한 그래프 트랜스포머 모델을 도입한다. 이는 기존의 딥러닝 방법들을 능가하며, 스펙트럼 라이브러리 커버리지 향상과 충돌 에너지 영향을 포괄하여 다양한 MS 데이터셋에서의 일반화 능력을 입증한다.

ABSTRACT

Mass spectrometry is a key tool in the study of small molecules, playing an important role in metabolomics, drug discovery, and environmental chemistry. Tandem mass spectra capture fragmentation patterns that provide key structural information about a molecule and help with its identification. Practitioners often rely on spectral library searches to match unknown spectra with known compounds. However, such search-based methods are limited by availability of reference experimental data. In this work we show that graph transformers can be used to accurately predict tandem mass spectra. Our model, MassFormer, outperforms competing deep learning approaches for spectrum prediction, and includes an interpretable attention mechanism to help explain predictions. We demonstrate that our model can be used to improve reference library coverage on a synthetic molecule identification task. Through quantitative analysis and visual inspection, we verify that our model recovers prior knowledge about the effect of collision energy on the generated spectrum. We evaluate our model on different types of mass spectra from two independent MS datasets and show that its performance generalizes. Code available at github.com/Roestlab/massformer.

연구 동기 및 목표

• 작은 분자 식별을 위한 기준 라이브러리에서 실험적 탄성 질량 스펙트럼의 가용성 부족 문제를 해결하기 위해.
• 높은 정확도로 분자의 구조에서 직접 탄성 질량 스펙트럼을 예측할 수 있는 딥러닝 모델을 개발하기 위해.
• 예측을 설명하고 알려진 분해 패턴을 검증하기 위해 해석 가능한 주목적 메커니즘을 통합하기 위해.
• 알 수 없는 화합물에 대한 고품질 예측 스펙트럼을 생성하여 기준 라이브러리 커버리지 향상시키기 위해.
• 독립된 데이터셋에서의 다양한 질량 스펙트럼 유형 간의 모델 일반화 능력을 평가하기 위해.

제안 방법

• MassFormer는 원자 및 결합 특징을 기반으로 분자의 구조를 노드 및 에지 표현으로 인코딩하기 위해 그래프 신경망을 사용한다.
• 장거리 의존성을 모델링하기 위해 다중 헤드 자기주목적을 갖춘 트랜스포머 인코더를 적용한다.
• 그래프 구조화된 표현에서 m/z 및 강도 쌍을 예측하여 분열 이온 강도를 예측한다.
• 주의 가중치 분석을 통해 예측 피크에 가장 기여하는 구조적 조각을 파악한다.
• 교차 엔트로피 손실을 사용한 시퀀스-투-시퀀스 예측 목표로 탄성 MS 데이터에서 엔드 투 엔드로 훈련한다.
• 다양한 실험 조건에서의 일반화 능력을 평가하기 위해 두 개의 독립된 MS 데이터셋에서 평가한다.

실험 결과

연구 질문

• RQ1 그래프 트랜스포머 모델이 분자의 구조만으로 탄성 질량 스펙트럼을 정확하게 예측할 수 있는가?
• RQ2 MassFormer는 독립된 데이터셋에서의 다양한 유형의 질량 스펙트럼으로 잘 일반화되는가?
• RQ3 예측된 스펙트럼이 알 수 없는 화합물 식별에서 기준 라이브러리 커버리지를 얼마나 향상시킬 수 있는가?
• RQ4 MassFormer의 주목적 메커니즘이 충돌 에너지가 분해에 미치는 영향과 같은 알려진 화학 지식을 회복하는가?
• RQ5 기존의 딥러닝 방법들에 비해 MassFormer의 성능은 어떻게 비교되는가?

주요 결과

• MassFormer는 예측 정확도 측면에서 기존의 딥러닝 접근 방식을 능가한다.
• 정량적 및 시각적 분석을 통해 충돌 에너지가 분해 패턴에 미치는 영향과 같은 알려진 화학적 영향을 성공적으로 회복하였다.
• MassFormer에서 예측된 스펙트럼은 합성 화합물 식별 작업에서 기준 라이브러리 커버리지를 향상시켰다.
• MassFormer의 주목적 메커니즘은 예측 피크에 기여하는 분자의 조각을 이해하는 데 있어 해석 가능한 통찰을 제공한다.
• MassFormer는 두 개의 독립된 MS 데이터셋에서의 다양한 유형의 탄성 질량 스펙트럼으로 잘 일반화된다.
• MassFormer의 성능은 다양한 실험 조건과 화합물 유형 간에 뛰어난 안정성과 일관성을 유지한다.