[論文レビュー] Multi-scale Sinusoidal Embeddings Enable Learning on High Resolution Mass Spectrometry Data

Gennady Voronov, Rose Lightheart+4 more|arXiv (Cornell University)|Jul 6, 2022

Metabolomics and Mass Spectrometry Studies被引用数 15

ひとこと要約

本論文は、高分解能タンデム質量分析法（MS2）データにおける質量対電荷比（m/z）値のマルチスケール正弦埋め込みを導入し、深層学習モデルがフル解像度のスペクトル情報を効果的に活用できるようにする。この手法は、スペクトルライブラリ検索において最先端の性能を達成し、新規化合物における10の薬物関連化学的性質を平均R² 80%で予測する。これは、MS2データにおける複雑なパターンを学習するためには高精度なm/z表現が不可欠であることを示している。

ABSTRACT

Small molecules in biological samples are studied to provide information about disease states, environmental toxins, natural product drug discovery, and many other applications. The primary window into the composition of small molecule mixtures is tandem mass spectrometry (MS2), which produces data that are of high sensitivity and part per million resolution. We adopt multi-scale sinusoidal embeddings of the mass data in MS2 designed to meet the challenge of learning from the full resolution of MS2 data. Using these embeddings, we provide a new state of the art model for spectral library search, the standard task for initial evaluation of MS2 data. We also introduce a new task, chemical property prediction from MS2 data, that has natural applications in high-throughput MS2 experiments and show that an average $R^2$ of 80\% for novel compounds can be achieved across 10 chemical properties prioritized by medicinal chemists. We use dimensionality reduction techniques and experiments with different floating point resolutions to show the essential role multi-scale sinusoidal embeddings play in learning from MS2 data.

研究の動機と目的

• 機械学習モデルにおける高分解能MS2データの非効率な利用が、代謝研究に生じるボトル neck を解消すること。
• ミリダルトンレベルの分解能を保持し、量子化による端効果を回避するm/z値の数値的表現を開発すること。
• マルチスケール正弦埋め込みが、多様な下流タスクにおいてフル解像度のMS2スペクトルからの有効な学習を可能にすることを実証すること。
• 高精度入力（倍精度浮動小数点）が、埋め込みにおける意味のある構造を捉えるために不可欠であることを検証すること。
• 学習された埋め込みが、MS2スペクトルのみから、創薬に重要な化学的性質を予測できることを示すこと。

提案手法

• 本手法は、複数のオーダー・オブ・マグニチュードにわたる情報を捉える連続的かつ微分可能なベクトルとしてm/z値を表現するマルチスケール正弦埋め込みを用いる。
• モデルは、各ピークのm/zと強度を、周波数が異なる正弦関数を用いて埋め込み処理することで、微細な質量差から学習できるようにする。
• 本アプローチは、主に2つのタスクに適用される：変換器ベースのアーキテクチャを用いたスペクトルライブラリ検索と化学的性質予測。
• モデル性能に与える分解能の影響を分離するために、m/z入力に異なる精度（半精度と倍精度）を用いた性能比較が行われた。
• 次元削減としてUMAPが用いられ、高次元埋め込み空間の可視化と、入力精度の変化に伴う構造の出現を評価した。
• モデルは、公開および商業用のMS2データセットの組み合わせを用いて学習され、分子構造は立体化学を除いて処理され、分子ごとの分離が保証された。

実験結果

リサーチクエスチョン

• RQ1 m/z値のマルチスケール正弦埋め込みは、フル解像度のMS2データを用いたスペクトルライブラリ検索で最先端の性能を達成できるか？
• RQ2 正弦関数による高分解能m/z表現は、新規化合物における化学的性質予測の一般化性能を向上させることができるか？
• RQ3 m/z値が半精度浮動小数点にダウンサンプリングされた場合、モデルの性能が劣化するか。これは、高分解能入力への依存を示唆するか？
• RQ4 高精度m/z入力を用いた場合、高次元埋め込み空間にどのような高次元構造が出現するか。これは生物学的または化学的類似性とどのように関連するか？
• RQ5 正弦関数アプローチによる性能向上は、複数の化学的性質予測タスクにおいて一貫して得られるか？

主な発見

• 正弦埋め込みモデルは、スペクトルライブラリ検索において最先端の性能を達成し、正確な化合物一致と構造アナログの同定の両面で、先行手法を上回った。
• 化学的性質予測において、10の医薬化学的優先性の高い性質について、新規化合物で平均R² 80%を達成し、創薬におけるスクリーニングの第一段階のヒット優先順位付けを可能にした。
• m/z値が半精度浮動小数点で表現された場合、モデルの性能が顕著に低下し、高分解能入力が学習に不可欠であることが示された。
• UMAPの可視化から、高精度m/z入力が使用された場合にのみ、非自明で生物学的に意味のある構造が埋め込み空間に出現することがわかった。
• 新規分子の性質予測において、正弦関数アプローチはトークナイゼーションを11%上回るR²向上を示し、一般化性能における優位性を実証した。
• 結果から、マルチスケール正弦埋め込みは、細分化された質量スペクトル情報の保持能力のおかげで、タスクに依存しない一般化の向上をもたらすことが確認された。