本学术报告介绍一篇由 Afa Anjum, Jaanus Liigand, Ralph Milford, Vasuk Gautam, David S. Wishart 等研究人员（主要来自加拿大阿尔伯塔大学）完成，并于2023年6月24日在线发表在《Journal of Chromatography A》期刊上的原创性研究论文，题目为“Accurate Prediction of Isothermal Gas Chromatographic Kováts Retention Indices”。这项研究属于分析化学、计算化学和代谢组学的交叉领域。

该研究的核心背景在于气相色谱-质谱联用技术广泛应用于复杂混合物分析，而化合物的保留时间（Retention Time， RT）因仪器和条件不同而变化。为了标准化比较，业界引入了保留指数（Retention Index， RI），特别是科瓦茨保留指数（Kováts Retention Index）。然而，实验测定RI耗时耗力，现有的RI数据库（如美国国家标准与技术研究院的NIST库）仅覆盖了已知化合物的很小一部分，这极大地限制了基于GC-MS技术的化合物鉴定，尤其是在非靶向代谢组学等领域。尽管已有一些基于机器学习的RI预测工具，但它们往往存在局限性：或仅限于特定固定相、或无法预测衍生化（如硅烷化）化合物的RI、或是商业闭源软件、或准确性有待提高。因此，本研究旨在开发一个免费、快速、高精度、且能全面覆盖三种常用固定相（半标准非极性、标准非极性、标准极性）以及衍生化/非衍生化化合物的通用RI预测工具，并将其部署为易于使用的网络服务器。

研究流程与方法： 本研究的工作流程严谨而系统，主要包括数据准备、模型开发与训练、以及网络服务器构建三大阶段。

第一阶段：数据集的精心构建与清洗。 研究团队从NIST 17和NIST 20数据库中获取了实验测定的科瓦茨RI数据作为源头，合并后得到122,042个条目，涉及105,075个独特化合物。为确保数据质量，他们进行了一系列严格的清洗工作： 1. 数据转换与验证：利用NIH CACTUS服务和PubChemPy API将化合物的InChI键转换为SMILES字符串表示，并使用RDKit工具包验证其结构有效性。 2. 数据筛选：剔除了分子量超过900 Da的化合物（超出常规GC-MS分析范围）、RI值不合理（<200或>4000）的条目，并手动检查并移除了SMILES转换失败、结构无效或RI值明显异常的数据点。 3. 关键发现与数据修正：在模型初步训练过程中，研究人员发现NIST数据库中部分化合物的实验RI值存在明显错误或化合物命名与结构不符（如将非衍生化化合物错误标记为衍生化）。通过比对预测RI与实验RI、分析同系物的RI趋势以及与其他预测工具（如Qu等人的模型）的结果交叉验证，他们手动识别并修正或删除了约850个问题数据点。这一步“数据清洗”对于构建可靠的高质量训练集至关重要，也是本研究的亮点之一。最终，得到了包含105,420个实验RI值的“清洁”数据集，涵盖56,229个非衍生化和49,190个衍生化结构，并按照三种固定相（SSNP, SNP, SP）和两种处理状态（衍生化/非衍生化）划分为六个独立的数据集。

第二阶段：图神经网络模型的开发与训练。 研究团队采用了图神经网络（Graph Neural Network， GNN）作为核心预测模型。其基本思想是将分子结构视为图（Graph），其中原子是节点，化学键是边，从而直接学习分子的拓扑结构信息。 1. 特征工程：利用RDKit从分子的SMILES字符串生成的分子图中提取特征。这些特征包括： * 原子级特征：如原子类型（62种常见元素的一次性编码）、形式电荷、显式和隐式价等。 * 路径特征：计算图中任意两个节点间的最短路径（最大路径长度设为3），并编码路径中的键类型、键的共轭性、环的存在等信息。 2. 模型架构与训练：研究基于PyTorch深度学习框架，实现了一个包含5个隐藏层（每层160个隐藏单元）的GNN模型。模型采用多头注意力机制来聚合原子信息，以生成最终的RI预测值。他们为六个独立的数据集分别训练了六个预测模型。训练过程中，采用了10折交叉验证（10-fold Cross-Validation）来评估模型的稳健性并减少过拟合风险。通过优化器、学习率、批次大小等超参数（详见表1），并使用早停法（Early Stopping）来选择最佳模型。最佳模型在训练了数千个epoch后达到性能平台。

第三阶段：网络服务器“RIPred”的开发与功能集成。 为将研究成果实用化，团队构建了名为“RIPred”的免费网络服务器（https://ripred.ca）。 1. 核心功能：用户可通过粘贴SMILES字符串或使用化学结构编辑器绘制分子，选择固定相类型（SSNP、SNP、SP）和衍生化类型（无衍生化、TMS、TBDMS或两者组合），服务器即可在数毫秒内返回预测的RI值。 2. 自动衍生化功能：这是RIPred的一大特色。团队开发了一个名为“Autosilator”的脚本，能根据用户选择，自动将三甲基硅烷基（TMS）或叔丁基二甲基硅烷基（TBDMS）官能团以化学上合理的方式添加到输入分子的相应活性位点（如酸、醇、胺等），生成所有可能的衍生化产物结构。为确保生成的衍生化结构合理，脚本会通过ChEMBL程序进行化学可行性检查，并过滤掉分子量超过900 Da或结构复杂性评分过高的无效结构。 3. 预测数据库：为提升实用性，研究团队使用RIPred预测了人类代谢组数据库（HMDB 5.0）中所有GC-MS可分析化合物（约57,648个）及其TMS/TBDMS衍生化产物的RI值，生成了超过500万个预测值，并集成到服务器的浏览和下载功能中。

主要研究结果： 1. 模型预测性能优异：在预留的独立测试集上，六个RIPred模型均表现出色。 * 对于半标准非极性（SSNP）固定相，预测误差最低：衍生化化合物的平均绝对误差（Mean Absolute Error， MAE）仅为16.57 RI单位，平均绝对百分比误差（Mean Absolute Percentage Error， MAPE）为0.78%；非衍生化化合物的MAE为29.55 RI单位，MAPE为1.62%。 * 对于标准非极性（SNP）和标准极性（SP）固定相，预测精度虽略低于SSNP，但依然良好（SNP衍生化MAE 38.5， SP衍生化MAE 46.52），所有模型的MAPE均控制在4.05%以内。 * 预测值与实验值之间的决定系数（R²）极高，SSNP衍生化数据达到0.9976，表明预测值与真实值高度相关。 2. 与现有最佳模型的对比： * 与当时性能最好的模型之一（Qu等人， 2021）相比，RIPred在SSNP固定相衍生化化合物的预测上表现相当（MAE: 16.57 vs 16.84）。 * 与另一个近期工具（Matyushin等人， 2021）相比，RIPred在SSNP固定相（无论衍生化与否）上表现更优，在SNP固定相上表现相当，但在SP固定相上，Matyushin等人的模型略占优势。值得注意的是，RIPred能处理的化合物范围更广（如含Pb、As等元素的化合物）。 3. 在独立外部数据集上的验证：研究还使用来自Golm代谢组数据库（GolmDB）的917个TMS衍生化代谢物数据对RIPred进行了外部验证。结果显示，RIPred的预测结果与GolmDB的实验值高度一致（R² = 0.945），证明了其良好的泛化能力和实用性。 4. 大规模预测应用：成功将RIPred应用于HMDB 5.0数据库，生成了超过500万个RI预测值，为代谢组学研究社区提供了宝贵的预计算资源。

结论与意义： 本研究成功开发并发布了RIPred，一个能够准确预测三种常见GC固定相下非衍生化及硅烷化（TMS/TBDMS）衍生化化合物科瓦茨保留指数的免费网络服务器和计算工具。其科学价值在于： * 方法学上，展示了GNN在分子性质预测任务中的强大能力，通过结合分子图结构和精细的原子/路径特征，实现了高精度预测。 * 应用价值上，RIPred填补了现有工具的空白：它是免费的、支持多固定相、支持自动衍生化预测、并集成了大规模预测数据库。这将极大地方便GC-MS分析工作者，特别是在代谢组学、环境分析、法医毒物学等领域，加速未知化合物的鉴定流程。 * 数据质量贡献：研究过程中对NIST数据库的深入“清洗”和错误发现，对提高公共数据资源的可靠性也具有积极意义。

研究亮点： 1. 全面性与实用性：首次在一个免费工具中整合了对三种主要GC固定相和两种最常用衍生化类型的RI预测功能，满足了实际GC-MS实验室的广泛需求。 2. 高精度：预测精度达到或超越了当前领域内最佳模型，尤其是在最常用的SSNP固定相上。 3. 创新的自动衍生化模块：开发的“Autosilator”脚本能智能、自动化地生成化学上合理的衍生化产物结构，用户无需手动绘制衍生化形式，极大提升了易用性。 4. 大规模预测数据库：预先计算了HMDB中大量代谢物的RI值，为研究人员提供了即用的参考资源。 5. 严谨的数据处理：对训练数据进行了细致入微的清洗和验证，确保了模型训练的可靠性，这一过程本身也具有一定科学发现价值。

RIPred是一项将先进机器学习技术与实际分析化学需求紧密结合的优秀工作，其发布的免费网络服务器和数据库预计将在相关研究领域产生广泛影响。未来的改进方向可能包括扩展支持更多类型的衍生化试剂、增加批量处理功能、以及与其他质谱预测工具（如CFM-ID）的进一步集成，以构建更强大的化合物鉴定平台。