論文の概要: Ensemble Spectral Prediction (ESP) Model for Metabolite Annotation
- arxiv url: http://arxiv.org/abs/2203.13783v1
- Date: Fri, 25 Mar 2022 17:05:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-28 13:24:28.986115
- Title: Ensemble Spectral Prediction (ESP) Model for Metabolite Annotation
- Title（参考訳）: 代謝物アノテーションのためのアンサンブルスペクトル予測(esp)モデル
- Authors: Xinmeng Li, Hao Zhu, Li-ping Liu, Soha Hassoun
- Abstract要約: メタボロミクスの鍵となる課題は、化学的なアイデンティティを持つ生物学的サンプルから測定されたスペクトルを注釈付けすることである。
メタボライトアノテーションのための新しい機械学習モデルEnsemble Spectral Prediction (ESP)を提案する。
- 参考スコア（独自算出の注目度）: 10.640447979978436
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A key challenge in metabolomics is annotating measured spectra from a
biological sample with chemical identities. Currently, only a small fraction of
measurements can be assigned identities. Two complementary computational
approaches have emerged to address the annotation problem: mapping candidate
molecules to spectra, and mapping query spectra to molecular candidates. In
essence, the candidate molecule with the spectrum that best explains the query
spectrum is recommended as the target molecule. Despite candidate ranking being
fundamental in both approaches, no prior works utilized rank learning tasks in
determining the target molecule. We propose a novel machine learning model,
Ensemble Spectral Prediction (ESP), for metabolite annotation. ESP takes
advantage of prior neural network-based annotation models that utilize
multilayer perceptron (MLP) networks and Graph Neural Networks (GNNs). Based on
the ranking results of the MLP and GNN-based models, ESP learns a weighting for
the outputs of MLP and GNN spectral predictors to generate a spectral
prediction for a query molecule. Importantly, training data is stratified by
molecular formula to provide candidate sets during model training. Further,
baseline MLP and GNN models are enhanced by considering peak dependencies
through multi-head attention mechanism and multi-tasking on spectral topic
distributions. ESP improves average rank by 41% and 30% over the MLP and GNN
baselines, respectively, demonstrating remarkable performance gain over
state-of-the-art neural network approaches. We show that annotation
performance, for ESP and other models, is a strong function of the number of
molecules in the candidate set and their similarity to the target molecule.
- Abstract（参考訳）: メタボロミクスにおける鍵となる課題は、生物学的サンプルから測定されたスペクトルに化学的なアイデンティティを付与することである。
現在では、少数の測定しかアイデンティティを割り当てることができない。
アノテーション問題に対処するために、候補分子をスペクトルにマッピングし、クエリスペクトルを分子候補にマッピングする2つの補完的な計算手法が登場した。
本質的に、クエリスペクトルを最もよく説明するスペクトルを持つ候補分子が標的分子として推奨される。
どちらのアプローチでも候補のランク付けは基本であるが、対象分子を決定するのにランク学習のタスクを利用した先行研究は行われていない。
本稿では,メタボライトアノテーションのための新しい機械学習モデルであるアンサンブルスペクトル予測(esp)を提案する。
ESPは、マルチレイヤパーセプトロン(MLP)ネットワークとグラフニューラルネットワーク(GNN)を利用する、以前のニューラルネットワークベースのアノテーションモデルを活用する。
ESP は MLP と GNN に基づくモデルのランキング結果に基づいて,MLP と GNN のスペクトル予測器の出力の重み付けを学習し,クエリ分子のスペクトル予測を生成する。
重要なことに、トレーニングデータは、モデルトレーニング中に候補セットを提供する分子式によって階層化される。
さらに,マルチヘッドアテンション機構とトピック分布のマルチタスキングによるピーク依存性を考慮したベースラインMLPとGNNモデルを改良した。
ESPは、それぞれMLPとGNNのベースラインよりも平均ランクを41%改善し、最先端のニューラルネットワークアプローチよりも顕著なパフォーマンス向上を示している。
本研究では,ESPや他のモデルに対するアノテーション性能が,候補集合内の分子数と対象分子との類似性の強い機能であることを示す。
関連論文リスト
- JESTR: Joint Embedding Space Technique for Ranking Candidate Molecules for the Annotation of Untargeted Metabolomics Data [8.964879518873591]
アノテーションのための新しいパラダイム(JESTR)を導入する。
分子指紋やスペクトルを明示的に構築する以前のアプローチとは異なり、JESTRはそれらの表現を共同空間に埋め込む。
JESTRを3つのデータセット上でmol-to-specおよびspec-to-FPアノテーションツールに対して評価する。
論文 参考訳（メタデータ） (2024-11-18T03:03:57Z) - Pre-trained Molecular Language Models with Random Functional Group Masking [54.900360309677794]
SMILESをベースとしたアンダーリネム分子アンダーリネム言語アンダーリネムモデルを提案し,特定の分子原子に対応するSMILESサブシーケンスをランダムにマスキングする。
この技術は、モデルに分子構造や特性をよりよく推測させ、予測能力を高めることを目的としている。
論文 参考訳（メタデータ） (2024-11-03T01:56:15Z) - 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) - Specformer: Spectral Graph Neural Networks Meet Transformers [51.644312964537356]
スペクトルグラフニューラルネットワーク(GNN)は、スペクトル領域グラフ畳み込みを通じてグラフ表現を学習する。
本稿では、全ての固有値の集合を効果的に符号化し、スペクトル領域で自己アテンションを行うSpecformerを紹介する。
複数のSpecformerレイヤを積み重ねることで、強力なスペクトルGNNを構築することができる。
論文 参考訳（メタデータ） (2023-03-02T07:36:23Z) - MolCPT: Molecule Continuous Prompt Tuning to Generalize Molecular
Representation Learning [77.31492888819935]
分子表現学習のための「プリトレイン,プロンプト,ファインチューン」という新しいパラダイム,分子連続プロンプトチューニング(MolCPT)を提案する。
MolCPTは、事前訓練されたモデルを使用して、スタンドアロンの入力を表現的なプロンプトに投影するモチーフプロンプト関数を定義する。
いくつかのベンチマークデータセットの実験により、MollCPTは分子特性予測のために学習済みのGNNを効率的に一般化することが示された。
論文 参考訳（メタデータ） (2022-12-20T19:32:30Z) - Graph neural networks for the prediction of molecular structure-property
relationships [59.11160990637615]
グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。
GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。
本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
論文 参考訳（メタデータ） (2022-07-25T11:30:44Z) - 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) - MassFormer: Tandem Mass Spectrum Prediction for Small Molecules using
Graph Transformers [3.2951121243459522]
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する断片化パターンをキャプチャする。
70年以上にわたり、スペクトル予測はこの分野において重要な課題であり続けている。
我々はタンデム質量スペクトルを正確に予測する新しいモデルMassFormerを提案する。
論文 参考訳（メタデータ） (2021-11-08T20:55:15Z) - Using Graph Neural Networks for Mass Spectrometry Prediction [11.797657070243716]
グラフニューラルネットワーク(GNN)を用いて測定スペクトルを予測する。
私たちのモデルへの入力は分子グラフです。
分子指紋を入力として利用するニューラルネットワークモデルNEIMSとの比較を行った。
論文 参考訳（メタデータ） (2020-10-09T16:06:57Z)
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。