[论文解读] 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 15

一句话总结

本文提出了一种用于高分辨率串联质谱（MS2）数据中质荷比（m/z）值的多尺度正弦嵌入方法，使深度学习模型能够有效利用全分辨率的光谱信息。该方法在光谱库搜索任务中达到最先进性能，并在新化合物上对10项与药物相关的化学性质进行预测，平均决定系数R²达80%，表明高精度m/z表示对于学习MS2数据中复杂模式至关重要。

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.

研究动机与目标

• 为解决代谢组学中因机器学习模型对高分辨率MS2数据利用效率低下而造成的瓶颈。
• 开发一种m/z值的数值表示方法，以保留毫质量数级分辨率，并避免离散化带来的边缘效应。
• 证明多尺度正弦嵌入可使模型在多种下游任务中有效学习全分辨率MS2光谱。
• 验证高精度输入（双精度浮点数）对于捕捉嵌入中意义结构至关重要。
• 证明学习得到的嵌入可仅从MS2光谱中预测关键药物发现相关的化学性质。

提出的方法

• 该方法使用多尺度正弦嵌入将m/z值表示为连续、可微分的向量，以捕捉跨多个数量级的信息。
• 模型通过使用不同频率的正弦函数对每个峰的m/z和强度进行嵌入，使网络能够从微小的质量差异中学习。
• 该方法应用于两个主要任务：基于Transformer架构的光谱库搜索和化学性质预测。
• 作者通过比较不同浮点精度（半精度和双精度）下m/z输入的性能，隔离分辨率对模型性能的影响。
• 通过UMAP降维可视化高维嵌入空间，评估不同输入精度下结构的出现情况。
• 模型在公共和商业MS2数据集的组合上进行训练，分子结构被去除立体化学信息，以确保分子互不重叠的划分。

实验结果

研究问题

• RQ1 多尺度正弦嵌入是否能实现使用全分辨率MS2数据进行光谱库搜索的最先进性能？
• RQ2 通过正弦嵌入实现的高分辨率m/z表示是否能提升新化合物在化学性质预测中的泛化能力？
• RQ3 当m/z值下采样至半精度浮点数时，模型性能是否会下降，表明其依赖于高分辨率输入？
• RQ4 使用高精度m/z输入时，嵌入空间中会涌现出何种高维结构，其与生物或化学相似性有何关联？
• RQ5 与分词化相比，正弦嵌入在多个化学性质预测任务中是否均保持性能提升？

主要发现

• 正弦嵌入模型在光谱库搜索中达到最先进性能，无论在精确化合物匹配还是结构类似物识别方面均优于先前方法。
• 在新化合物上对10项药物化学优先考虑的化学性质进行预测，该模型平均R²达80%，可实现药物发现中的首次命中优先排序。
• 当m/z值以半精度浮点数表示时，模型性能显著下降，表明高分辨率输入对学习至关重要。
• UMAP可视化显示，仅当使用高精度m/z值作为输入时，嵌入空间中才会涌现出非平凡且具有生物学意义的结构。
• 在新分子的性质预测中，正弦方法相比分词化使R²提升11%，证明其在泛化能力上的优越性。
• 结果证实，多尺度正弦嵌入在各项任务中均为通用性改进，而非特定任务优化，因其能有效保留细微的质谱信息。