[论文解读] MADGEN: Mass-Spec attends to De Novo Molecular generation

Yinkai Wang, Xiaohong Chen+2 more|arXiv (Cornell University)|Jan 3, 2025

Electron and X-Ray Spectroscopy Techniques被引用 3

一句话总结

MADGEN 引入一个两阶段的基于支架的从头分子生成框架，受 MS/MS 光谱引导：通过对比学习进行支架检索，并使用 Markov-bridge 模型与无条件引导进行支架条件化的光谱引导生成。

ABSTRACT

The annotation (assigning structural chemical identities) of MS/MS spectra remains a significant challenge due to the enormous molecular diversity in biological samples and the limited scope of reference databases. Currently, the vast majority of spectral measurements remain in the "dark chemical space" without structural annotations. To improve annotation, we propose MADGEN (Mass-spec Attends to De Novo Molecular GENeration), a scaffold-based method for de novo molecular structure generation guided by mass spectrometry data. MADGEN operates in two stages: scaffold retrieval and spectra-conditioned molecular generation starting with the scaffold. In the first stage, given an MS/MS spectrum, we formulate scaffold retrieval as a ranking problem and employ contrastive learning to align mass spectra with candidate molecular scaffolds. In the second stage, starting from the retrieved scaffold, we employ the MS/MS spectrum to guide an attention-based generative model to generate the final molecule. Our approach constrains the molecular generation search space, reducing its complexity and improving generation accuracy. We evaluate MADGEN on three datasets (NIST23, CANOPUS, and MassSpecGym) and evaluate MADGEN's performance with a predictive scaffold retriever and with an oracle retriever. We demonstrate the effectiveness of using attention to integrate spectral information throughout the generation process to achieve strong results with the oracle retriever.

研究动机与目标

• 通过提出基于支架的从头生成方法，解决在暗化化学空间中对 MS/MS 光谱注释的挑战。
• 建立一个两阶段框架：(i) 从 MS/MS 光谱中检索支架；(ii) 在光谱引导下进行支架条件化的分子生成。
• 在多个数据集（NIST23、CANOPUS、MassSpecGym）上评估支架检索（预测 vs oracle）与从头生成。
• 演示基于注意力的光谱整合如何提升生成准确性以及将支架作为结构锚点的可解释性。

提出的方法

• 将支架检索设定为一个排名问题，通过对比学习对齐光谱和支架嵌入，使用两个编码器（光谱的 MLP，支架的 GNN）。
• 在共享潜在空间中使用余弦相似度来选择前 k 个支架候选用于生成。
• 提供一个 oracle 检索变体，使用 RDKit 从分子图中提取正确的支架来对第二阶段进行基准测试。
• 使用基于 Markov-bridge 的边生成过程进行支架条件化的从头生成，逐步将原子连接到支架。
• 引入无分类器引导在每一步对光谱进行条件化，通过 CFG 缩放的对数似然组合实现。
• 将光谱编码为峰值序列，应用自注意力，并通过跨节点和边的注意力将光谱信息注入图神经网络。

Figure 1: MADGEN overview and example. (a) The overview of MADGEN. The mass spectra are used to rank scaffold candidates through contrastive learning. The top-ranked scaffold, with blue edges fixed, serves as a foundation for de novo molecule generation, guided by the spectra at each generation step

实验结果

研究问题

• RQ1 MS/MS 光谱是否能有效用于检索出一个可行的从头生成分子支架？
• RQ2 与端到端方法相比，基于支架的从头生成是否提升生成准确性和可解释性？
• RQ3 oracle 支架场景相较于预测支架检索在实现准确分子生成方面有何差异？
• RQ4 光谱引导条件化与 CFG 对生成质量和多样性有何影响？
• RQ5 在不同数据集（NIST23、CANOPUS、MassSpecGym）上的 Top-1/Top-10 准确度及结构相似性表现如何？

主要发现

• 具备预测支架检索的 MADGEN 在各数据集的支架预测准确率介于 34.8% 与 57.8% 之间，由于 NIST23 的支架多样性，SPA 更高。
• 预测支架检索在 Top-1 分子生成准确度方面的表现有限（例如 NIST23 为 10.3%；CANOPUS 为 1.0%；MassSpecGym 为 0.8%）。
• Oracle 支架检索显著提升性能，在 NIST23 上达到 Top-1 49.0% 与 Top-10 65.5% 的准确度，在 CANOPUS 上达到 Top-1 8.9% 与 Top-10 65.5% 的准确度，在 MassSpecGym 上达到 Top-1 18.8%。
• 使用 oracle 支架时，MADGEN 的随机生成表现超过已发表的 MassSpecGym 最佳结果，体现了正确支架在从头生成中的价值。
• 消融研究表明，在光谱使用令牌化 + 自注意力的基础上加入跨注意力和 CFG（节点级）条件化，在测试的配置中表现最佳。
• 敏感性分析表明，更多自由原子（更大支架）会增加生成难度并降低准确性。

Figure 2: Overview of the MADGen model framework. The input consists of m/z peaks and intensities $(m,I)$ , which are passed through an MLP for embedding. These embeddings are processed through self-attention and combined with the molecular graph’s node and edge embeddings via cross-attention. The n