基于机器学习的高分辨质谱数据全自动无约束分析框架研究

作者及发表信息

本研究由俄罗斯科学院Zelinsky有机化学研究所的Daniil A. Boiko、Konstantin S. Kozlov、Julia V. Burykina、Valentina V. Ilyushenkova和通讯作者Valentine P. Ananikov*共同完成，于2022年8月8日发表在《Journal of the American Chemical Society》期刊上（J. Am. Chem. Soc. 2022, 144, 14590-14606）。

学术背景

该研究属于分析化学与计算化学交叉领域，针对高分辨质谱(High-Resolution Mass Spectrometry, MS)数据分析中的核心挑战：复杂混合物中的完全信号分配问题。虽然质谱是分析复杂混合物最强大的方法之一，但传统方法只能解释约20%的代谢物信号，约80%的反应混合物信号未被解读。这主要是因为： 1) 超高灵敏度导致非常复杂的质谱图 2) 单个分子产生多个同位素峰（isotopologues）形成的”同位素分布” 3) 多电荷状态和加合物的存在 4) 传统方法依赖数据库搜索且需要预先定义可能元素

研究团队旨在开发一种无需预设元素约束、能自动分析整个质谱的全新框架MEDUSA（Machine Learning-Enabled Deisotoping and Untargeted Spectra Analysis），通过机器学习算法解决长期存在的反谱问题（inverse spectral problem）。

研究方法与流程

研究主要包括以下关键步骤：

1. 去同位素峰算法开发

将去同位素峰（deisotoping）任务构建为二元分类问题： - 训练数据：基于PubChem子集生成的合成光谱数据（300万分子式） - 算法比较：线性模型（规则基础方法）与梯度提升决策树（tree ensemble）模型 - 特征构建：峰对之间的质量差异、强度比等特征 - 性能评估：F1分数0.9972 vs 0.9920（优于线性模型），ROC AUC接近1.0

2. 神经网络元素分类模型

开发基于LSTM（长短期记忆网络）的神经网络： - 输入表示：将同位素分布表示为围绕每个聚集同位素变体（aggregated isotopic variants）的子光谱向量 - 数据增强：使用洛伦兹滤波卷积，随机位移、噪声和缩放 - 架构优化：双向LSTM表现最佳（ROC AUC 0.93） - 特殊挑战：单同位素元素（如碘、氟）识别准确度较低（ROC AUC 0.590-0.615）

3. 分子式回归预测

使用改进的LSTM架构： - 标准化策略：对稀有元素进行目标值标准化处理 - 预测方式：直接预测分子式中各元素的原子数量 - 表现评估：碳原子数预测R²=0.994，RMSE=2.20

4. 搜索空间优化

将三步分析流程整合： 1) 去同位素峰（减少光谱复杂性） 2) 神经网络分类缩小元素范围 3) 基于回归预测指导暴力搜索 - 搜索空间缩减效果：对于C29H39N3PdCl+，搜索空间从3.85×10⁵⁵降至1.02×10³

5. 验证与应用

在三个典型系统中验证： 1) 蛋白质测序中的碎片离子分析：牛血清白蛋白（BSA）胰蛋白酶消化产物分析 2) 天然样品分析：20种不同茶样品的水-乙醇提取物（每种三次重复） 3) 交叉偶联催化系统研究：Sonogashira反应混合物中钯配合物分析

主要研究成果

1. 去同位素峰性能提升

在实际Sonogashira反应混合物谱图中，树集成方法相比规则方法能更好地区分不同同位素分布（图2d）。虽然测试集指标提升看似不大（精确度提高0.01），但在实际谱图中能显著减少误合并现象。

2. 元素分类能力

在包含15种元素的实验数据集上验证： - 非单同位素元素平均ROC AUC达0.9以上 - 钯配合物iPrPdCl(MeCN)+的离子被准确识别（图3b右） - 数据增强分析显示随机噪声增强对Cu、Br、Pd等元素识别尤为重要

3. 分子式回归准确性

创新性地证明精细同位素结构（fine isotopic structure）包含足够信息： - 碳、氮、氧等常见元素计数预测准确 - 通过梯度分析确认模型建立了”质量亏损”（mass defect）概念（图4c右）

4. 实际应用验证

1) 茶样分析：PCA分析成功区分绿茶、乌龙茶和黑茶，发现m/z 585/601和586/602两组相关离子 2) 蛋白质测序：开发了基于碎片离子同位素分布匹配的de novo测序方法 3) 催化反应监测：在Sonogashira反应中鉴定出67种钯配合物，与催化剂/炔烃混合物的48种形成对比

重要结论与价值

该研究提出了解决无约束质谱分析的全新范式： 1. 方法论创新：将质谱解释问题重构为去同位素峰、神经网络搜索空间缩减和暴力搜索三步流程 2. 技术突破：首次实现对2kDa以下分子的全自动无约束分析 3. 软件贡献：开发并开源MEDUSA Python软件包，整合所有算法和可视化工具

研究价值体现在： - 科学价值：验证精细同位素结构包含足够化学信息，解决了长期存在的反谱问题 - 应用价值：可应用于代谢组学、蛋白质组学、催化剂研究等多个领域 - 数据价值：公开了合成的训练数据集和实验FT-ICR MS数据集（mzXML格式）

研究亮点

1. 全自动化：首个无需预设元素限制的全自动质谱分析框架
2. 多技术整合：创新性结合树模型与LSTM网络各自的优势
3. 性能优越：相比传统方法显著提高解谱速度和准确性
4. 应用广泛：验证系统涵盖生命科学与化学研究的典型场景
5. 开放科学：完整公开代码、数据和预训练模型

创新方法细节

1. 数据合成技术：构建3百万分子式的合成训练集，采用洛伦兹滤波模拟真实仪器响应
2. 不确定性估计：通过模型集成量化预测不确定性（图5）
3. 视觉化技术：开发质量区间编码（mass interval encoding）方法实现光谱向量化和PCA分析

该研究为质谱数据分析提供了全新范式，通过机器学习有效解决了复杂混合物分析的长期挑战，将显著提升质谱在化学和生命科学领域的研究效率。