[论文解读] FraGNNet: A Deep Probabilistic Model for Tandem Mass Spectrum Prediction

Adamo Young, Fei Wang+4 more|arXiv (Cornell University)|Apr 2, 2024

COVID-19 diagnosis using AI被引用 8

一句话总结

FraGNNet 是一个深度概率模型，将 fragmentation DAG 与两阶段图神经网络结合，用于预测高分辨率 MS/MS 谱图并实现可解释的碎片注释，达到最先进的 C2MS 性能。

ABSTRACT

Compound identification from tandem mass spectrometry (MS/MS) data is a critical step in the analysis of complex mixtures. Typical solutions for the MS/MS spectrum to compound (MS2C) problem involve comparing the unknown spectrum against a library of known spectrum-molecule pairs, an approach that is limited by incomplete library coverage. Compound to MS/MS spectrum (C2MS) models can improve retrieval rates by augmenting real libraries with predicted MS/MS spectra. Unfortunately, many existing C2MS models suffer from problems with mass accuracy, generalization, or interpretability. We develop a new probabilistic method for C2MS prediction, FraGNNet, that can efficiently and accurately simulate MS/MS spectra with high mass accuracy. Our approach formulates the C2MS problem as learning a distribution over molecule fragments. FraGNNet achieves state-of-the-art performance in terms of prediction error and surpasses existing C2MS models as a tool for retrieval-based MS2C.

研究动机与目标

• 激励需要高分辨率、可扩展且可解释的 C2MS 谱图预测，以增强光谱库。
• 提出 FraGNNet，一种结合启发式碎片化与学习到的潜在分布的概率 C2MS 模型。
• 在 NIST20 数据上展示最先进的谱图预测和改进的检索性能。
• 提供可解释的碎片注释和不确定性信号（OS、潜在熵）。
• 通过集成分析探索注释一致性，以评估碎片歧义性。

提出的方法

• 从输入分子 G 和重原子骨架生成近似碎片 DAG G_F^d；使用 Fragment GNN 来建模碎片及相关分子式的分布。
• 由 GNN 参数化的两种潜在分布：P_theta(n) 在 DAG 节点上的分布，以及 P_theta(f|n) 在每个节点的分子式分布。
• 质谱 P_theta(m) 是分子式质量的高斯混合分布，其方差与质量相关，并含有反映仪器误差的截断。
• 分子 GNN（基于 GINE）生成原子/键嵌入；碎片 GNN 处理 DAG 节点，结合子图特征（重原子骨架、分子式、DAG 深度）。
• 损失函数将负对数似然与可选的 outside-support（OS）处理以及一个熵正则化目标相结合，以鼓励可解释的潜在结构。
• 熵正则化潜在项 H_hat_theta(n)、H_hat_theta(f)、H_hat_theta(f|n)、H_hat_theta(n|f) 用于在预测性能和碎片注释可解释性之间取得平衡。

Figure 1: Overview of MS/MS: molecules in the sample are ionized to form precursors, filtered by precursor $m/z$ (100 Da), and sent for fragmentation. The fragmentation process stochastically produces fragments with $m/z$ values of 20, 40, 65 Da. The distribution of precursor and fragment $m/z$ valu

实验结果

研究问题

• RQ1 FraGNNet 是否能在保持可扩展性的同时实现 C2MS 的高分辨率谱图预测？
• RQ2 将碎片 DAG 与神经潜变量集成，是否比分箱和其他高分辨率模型提高检索型 MS2C 性能？
• RQ3 模型在多大程度上能够通过对碎片和分子式的潜在分布提供可解释的峰注释？
• RQ4 碎片深度（d）和氢容忍度（j）如何影响谱覆盖和预测质量？
• RQ5 熵正则化是否会在不牺牲准确性的前提下，产生有意义的碎片注释变异？

主要发现

Split	Model	COS_0.01↑	COS_HUN↑	P(M_OS)↓	P(M_OS)-P_theta(M_OS)↓
InChIKey	FragNet-D4	0.717±0.001	0.691±0.001	0.097±0.000	0.053±0.002
InChIKey	FragNet-D3	0.702±0.002	0.675±0.001	0.171±0.000	0.078±0.001
InChIKey	Iceberg-ADV	0.702±0.002	0.666±0.002	0.158±0.000	-
InChIKey	Iceberg	0.681±0.002	0.645±0.002	0.178±0.000	-
InChIKey	MassFormer	0.653±0.003	-	-	-
InChIKey	NEIMS	0.642±0.001	-	-	-

• FraGNNet-D4 在 NIST20 的谱图预测中实现了与基线相比的最先进的余弦相似度，在多项指标上优于其他模型。
• 在 MS2C 检索中，FraGNNet-D4 和 FraGNNet-D3 的前 1 到前 10 名准确率显著高于 ICEBERG、MassFormer 和 NEIMS。
• FraGNNet 提供每个节点的分子式到峰值映射，能够实现可解释的峰注释并有潜在识别 OS（超出支持区）峰的能力。
• 把碎片深度从 d=3 增加到 d=4 提升了性能，而较低的 P(M_OS) 表示更好的质量覆盖。
• 潜在注释分布在不同集成中的变化，展示了预测的一致性与碎片歧义性，熵正则化的集成表现出不同的注释行为。

Figure 2: Overview of the FraGNNet C2MS model. The input molecule ( $G$ , red box) is processed into an approximate Fragmentation DAG ( $G_{\mathcal{F}^{d}}$ , yellow box) and independently embedded by the Molecule GNN ( $g_{\theta}^{\texttt{MOL}}$ , orange box). Information from the DAG is combined