論文の概要: MassFormer: Tandem Mass Spectrum Prediction with Graph Transformers

• arxiv url: http://arxiv.org/abs/2111.04824v1
• Date: Mon, 8 Nov 2021 20:55:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-11 00:46:18.310331
• Title: MassFormer: Tandem Mass Spectrum Prediction with Graph Transformers
• Title（参考訳）: massformer: グラフトランスフォーマによるタンデム質量スペクトル予測
• Authors: Adamo Young, Bo Wang, Hannes R\"ost
• Abstract要約: グラフ変換器を用いてタンデム質量スペクトルを正確に予測できることを示す。 私たちのモデルであるMassFormerは、スペクトル予測のための競合するディープラーニングアプローチよりも優れています。 本稿では,本モデルを用いて,合成分子識別タスクにおける参照ライブラリのカバレッジを向上させることを実証する。
• 参考スコア（独自算出の注目度）: 2.9210002851374126
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mass spectrometry is a key tool in the study of small molecules, playing an important role in metabolomics, drug discovery, and environmental chemistry. Tandem mass spectra capture fragmentation patterns that provide key structural information about a molecule and help with its identification. Practitioners often rely on spectral library searches to match unknown spectra with known compounds. However, such search-based methods are limited by availability of reference experimental data. In this work we show that graph transformers can be used to accurately predict tandem mass spectra. Our model, MassFormer, outperforms competing deep learning approaches for spectrum prediction, and includes an interpretable attention mechanism to help explain predictions. We demonstrate that our model can be used to improve reference library coverage on a synthetic molecule identification task. Through quantitative analysis and visual inspection, we verify that our model recovers prior knowledge about the effect of collision energy on the generated spectrum. We evaluate our model on different types of mass spectra from two independent MS datasets and show that its performance generalizes. Code available at github.com/Roestlab/massformer.
• Abstract（参考訳）: 質量分析は小さな分子の研究において重要なツールであり、代謝学、薬物発見、環境化学において重要な役割を果たしている。 タンデム質量スペクトルは、分子に関する重要な構造情報を提供し、その同定に役立つ断片化パターンをキャプチャする。 実践者は、未知のスペクトルと既知の化合物をマッチングするために、しばしばスペクトルライブラリの検索に依存する。 しかし,このような検索手法は,参照実験データの利用により制限される。 本研究では,グラフ変換器を用いてタンデム質量スペクトルを正確に予測できることを示す。 我々のモデルMassFormerは、スペクトル予測のための競合するディープラーニングアプローチよりも優れており、予測を説明するための解釈可能な注意機構を含んでいる。 本モデルは,合成分子識別タスクにおける参照ライブラリのカバレッジ向上に有効であることを示す。 定量的解析と視覚検査により, 衝突エネルギーが生成スペクトルに与える影響について, 先行知識を回復することを確認した。 2つの独立したMSデータセットから異なる種類の質量スペクトルのモデルを評価し,その性能が一般化したことを示す。 コードはgithub.com/roestlab/massformerで入手できる。

関連論文リスト

• Machine learning meets mass spectrometry: a focused perspective [0.0]
  質量分析法 (Mass Spectrometry) は、医学、生命科学、化学、工業製品の品質管理などの分野で広く用いられている方法である。 いくつかの質量分析技術の主な特徴の1つは、広範囲のキャラクタリゼーションレベルと、測定毎に生成される大量のデータである。 機械学習の手法の開発によって、これらのデータの可能性を解き放つ機会が生まれ、これまでアクセス不能だった発見が可能になる。
  論文  参考訳（メタデータ） (2024-06-27T14:18:23Z)
• Mass Spectra Prediction with Structural Motif-based Graph Neural Networks [21.71309513265843]
  MoMS-Netは、構造モチーフから得られる情報とグラフニューラルネットワーク(GNN)の実装を用いて質量スペクトルを予測するシステムである。 我々は、様々な質量スペクトルでモデルを試験し、既存のモデルよりもその優位性を観察した。
  論文  参考訳（メタデータ） (2023-06-28T10:33:57Z)
• Towards Predicting Equilibrium Distributions for Molecular Systems with Deep Learning [60.02391969049972]
  本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。 DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
  論文  参考訳（メタデータ） (2023-06-08T17:12:08Z)
• Prefix-Tree Decoding for Predicting Mass Spectra from Molecules [12.868704267691125]
  我々は、質量スペクトルを分子公式の集合として扱うことにより、分子からの質量スペクトルを予測するための新しい中間戦略を用いる。 質量スペクトル予測タスクにおける有望な実験結果を示す。
  論文  参考訳（メタデータ） (2023-03-11T17:44:28Z)
• Multiresolution Graph Transformers and Wavelet Positional Encoding for Learning Hierarchical Structures [6.875312133832078]
  複数のスケールで大きな分子を表現できる最初のグラフトランスアーキテクチャであるMulti resolution Graph Transformer (MGT)を提案する。 MGTは原子の表現を学習し、それらを有意義な官能基または繰り返し単位に分類することができる。 提案モデルでは, 高分子とペプチドからなるマクロ分子データセットと, 薬物様分子データセットの2つの結果を得た。
  論文  参考訳（メタデータ） (2023-02-17T01:32:44Z)
• Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
  我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。 我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。 複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
  論文  参考訳（メタデータ） (2023-02-04T01:32:40Z)
• Efficiently predicting high resolution mass spectra with graph neural networks [28.387227518307604]
  質量スペクトルから小さな分子を同定することは、計算メタボロミクスにおける主要な開問題である。 未知のスペクトルは、化学構造の大規模なデータベースから予測されるスペクトルと一致している。 我々は、入力分子グラフから分子式上の確率分布への写像としてスペクトル予測をキャストすることで、このトレードオフを解決する。
  論文  参考訳（メタデータ） (2023-01-26T21:10:26Z)
• Unsupervised Spectral Unmixing For Telluric Correction Using A Neural Network Autoencoder [58.720142291102135]
  本研究では,HARPS-N線速度スペクトルから高精度の太陽スペクトルを抽出するニューラルネットワークオートエンコーダ手法を提案する。
  論文  参考訳（メタデータ） (2021-11-17T12:54:48Z)
• MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [51.00815310242277]
  生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。 本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
  論文  参考訳（メタデータ） (2020-10-05T20:18:42Z)
• ASGN: An Active Semi-supervised Graph Neural Network for Molecular Property Prediction [61.33144688400446]
  本稿では,ラベル付き分子とラベルなし分子の両方を組み込んだ,アクティブ半教師付きグラフニューラルネットワーク(ASGN)を提案する。 教師モデルでは,分子構造や分子分布から情報を共同で活用する汎用表現を学習するための,新しい半教師付き学習手法を提案する。 最後に,分子多様性の観点から,フレームワーク学習全体を通して情報的データを選択するための新しい能動的学習戦略を提案する。
  論文  参考訳（メタデータ） (2020-07-07T04:22:39Z)
• Self-Supervised Graph Transformer on Large-Scale Molecular Data [73.3448373618865]
  分子表現学習のための新しいフレームワークGROVERを提案する。 GROVERは、分子の豊富な構造的および意味的な情報を、巨大な未標識分子データから学習することができる。 分子表現学習において、最大のGNNであり、最大のトレーニングデータセットである、1000万個の未標識分子に1億のパラメータを持つGROVERを事前訓練します。
  論文  参考訳（メタデータ） (2020-06-18T08:37:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。