論文の概要: Unmasking Airborne Threats: Guided-Transformers for Portable Aerosol Mass Spectrometry

• arxiv url: http://arxiv.org/abs/2511.17446v1
• Date: Fri, 21 Nov 2025 17:45:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-24 18:08:19.151343
• Title: Unmasking Airborne Threats: Guided-Transformers for Portable Aerosol Mass Spectrometry
• Title（参考訳）: エアロゾル質量分析のための誘導変圧器
• Authors: Kyle M. Regan, Michael McLoughlin, Wayne A. Bryden, Gonzalo R. Arce,
• Abstract要約: MALDI-MS (Matrix Assisted Laser Desorption/Ionization Mass Spectrometry) は生体分子分析の基盤であり、独自の質量スペクトルによる病原体の正確な同定を提供する。 しかし、労働集約型試料調製とマルチショットスペクトル平均化に依存しているため、実験室の環境設定に制限されるため、リアルタイムの環境モニタリングには実用的ではない。 これらの制限は、新しいエアロゾルMALDI-MSシステムにおいて特に顕著であり、自律的なサンプリングは未知のエアロゾル分析のためにノイズスペクトルを生成する。 スペクトルを再定義するデータ駆動型フレームワークであるMass Spectral Dictionary-Guided Transformer(MS-DGFormer)を提案する。
• 参考スコア（独自算出の注目度）: 2.743898388459522
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Matrix Assisted Laser Desorption/Ionization Mass Spectrometry (MALDI-MS) is a cornerstone in biomolecular analysis, offering precise identification of pathogens through unique mass spectral signatures. Yet, its reliance on labor-intensive sample preparation and multi-shot spectral averaging restricts its use to laboratory settings, rendering it impractical for real-time environmental monitoring. These limitations are especially pronounced in emerging aerosol MALDI-MS systems, where autonomous sampling generates noisy spectra for unknown aerosol analytes, requiring single-shot detection for effective analysis. Addressing these challenges, we propose the Mass Spectral Dictionary-Guided Transformer (MS-DGFormer): a data-driven framework that redefines spectral analysis by directly processing raw, minimally prepared mass spectral data. MS-DGFormer leverages a transformer architecture, designed to capture the long-range dependencies inherent in these time-series spectra. To enhance feature extraction, we introduce a novel dictionary encoder that integrates denoised spectral information derived from Singular Value Decomposition (SVD), enabling the model to discern critical biomolecular patterns from single-shot spectra with robust performance. This innovation provides a system to achieve superior pathogen identification from aerosol samples, facilitating autonomous, real-time analysis in field conditions. By eliminating the need for extensive preprocessing, our method unlocks the potential for portable, deployable MALDI-MS platforms, revolutionizing environmental pathogen detection and rapid response to biological threats.
• Abstract（参考訳）: MALDI-MS (Matrix Assisted Laser Desorption/Ionization Mass Spectrometry) は生体分子分析の基盤であり、独自の質量スペクトルによる病原体の正確な同定を提供する。 しかし、労働集約型試料調製とマルチショットスペクトル平均化に依存しているため、実験室の環境設定に制限されるため、リアルタイムの環境モニタリングには実用的ではない。 これらの制限は、新規なエアロゾルMALDI-MSシステムにおいて特に顕著であり、自律的なサンプリングは未知のエアロゾル分析のためにノイズスペクトルを生成し、効果的な分析のために単発検出を必要とする。 これらの課題に対処するため、我々は、生の最小の質量スペクトルデータを直接処理することによってスペクトル分析を再定義するデータ駆動型フレームワーク、Mass Spectral Dictionary-Guided Transformer (MS-DGFormer)を提案する。 MS-DGFormerは、これらの時系列スペクトルに固有の長距離依存関係をキャプチャするために設計されたトランスフォーマーアーキテクチャを利用する。 特徴抽出を強化するために,Singular Value Decomposition (SVD) から派生した離散スペクトル情報を統合した新しい辞書エンコーダを導入する。 このイノベーションは、エアロゾルサンプルから優れた病原体を識別するシステムを提供し、フィールド条件下での自律的でリアルタイムな分析を容易にする。 大規模な前処理の必要性をなくすことにより,本手法は携帯型で展開可能なMALDI-MSプラットフォームの可能性を開き,環境病原体の検出に革命をもたらし,生物の脅威に対する迅速な対応を図った。

関連論文リスト

• Breaking the Modality Barrier: Generative Modeling for Accurate Molecule Retrieval from Mass Spectra [60.08608779794957]
  本稿では,ジェネレーティブ言語モデルに基づく検索フレームワークであるGLMRを提案する。 検索前の段階では、比較学習に基づくモデルでは、上位候補分子を入力質量スペクトルの文脈的先行として識別する。 生成検索段階において、これらの候補分子は入力質量スペクトルと統合され、精製された分子構造を生成するための生成モデルが導かれる。
  論文  参考訳（メタデータ） (2025-11-09T07:25:53Z)
• MS-BART: Unified Modeling of Mass Spectra and Molecules for Structure Elucidation [20.973121120131875]
  大規模事前学習は、他の領域におけるデータの不足に対処するのに有効であることが証明されている。 質量スペクトルと分子構造を共有トークン語彙にマッピングする統合モデリングフレームワークMS-BARTを提案する。 大規模な評価では、MS-BARTはMassSpecGymとNPLIB1の5/12キーメトリクスでSOTA性能を達成している。
  論文  参考訳（メタデータ） (2025-10-23T14:45:28Z)
• SpectrumFM: Redefining Spectrum Cognition via Foundation Modeling [65.65474629224558]
  本稿ではスペクトル認識のための新しいパラダイムを提供するスペクトルFMと呼ばれるスペクトル基盤モデルを提案する。 畳み込みニューラルネットワークを利用した革新的なスペクトルエンコーダを提案し、スペクトルデータにおける微細な局所信号構造と高レベルのグローバルな依存関係の両方を効果的に捕捉する。 2つの新しい自己教師型学習タスク、すなわちマスク付き再構成と次のスロット信号予測が、SpectrumFMの事前学習のために開発され、モデルがリッチで伝達可能な表現を学習できるようにする。
  論文  参考訳（メタデータ） (2025-08-02T14:40:50Z)
• LUMIR: an LLM-Driven Unified Agent Framework for Multi-task Infrared Spectroscopy Reasoning [12.138903544219724]
  本研究では,低データ条件下での正確な赤外分光分析を実現するためのフレームワークであるLUMIRを紹介する。 LUMIRは構造化文学知識ベース、自動前処理、特徴抽出、予測モデリングを統合パイプラインに統合する。 利用可能なミルク近赤外データセット、中国の薬草、貯蔵期間の異なるCitri Reticulatae Pericarpium(CRP)、産業排水CODデータセット、Tecator、Cornなど、さまざまなデータセットで検証された。
  論文  参考訳（メタデータ） (2025-07-29T03:20:51Z)
• CARL: Camera-Agnostic Representation Learning for Spectral Image Analysis [69.02751635551724]
  スペクトルイメージングは、医療や都市景観の理解など、様々な領域で有望な応用を提供する。 スペクトルカメラのチャネル次元と捕獲波長のばらつきは、AI駆動方式の開発を妨げる。 本稿では,RGB,マルチスペクトル,ハイパースペクトル画像を用いたカメラ非依存表現学習モデルCARLを紹介する。
  論文  参考訳（メタデータ） (2025-04-27T13:06:40Z)
• DiffMS: Diffusion Generation of Molecules Conditioned on Mass Spectra [60.39311767532607]
  本稿では,DiffMSを提案する。DiffMS,式制限付きエンコーダ・デコーダ生成ネットワークは,このタスクにおける最先端性能を実現する。 遅延埋め込みと分子構造をブリッジするロバストデコーダを開発するために,フィンガー構造対による拡散デコーダの事前訓練を行う。 確立されたベンチマーク実験により、DiffMSはデノボ分子生成における既存のモデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-13T18:29:48Z)
• DiffRaman: A Conditional Latent Denoising Diffusion Probabilistic Model for Bacterial Raman Spectroscopy Identification Under Limited Data Conditions [11.586869210490628]
  本稿では, 深層生成モデルを用いたデータ生成手法を提案し, 細菌ラマンスペクトルの認識精度を向上させる。 DiffRamanによって生成された合成細菌ラマンスペクトルは、実実験スペクトルを効果的にエミュレートできることを示した。
  論文  参考訳（メタデータ） (2024-12-11T06:36:55Z)
• Fast and automated biomarker detection in breath samples with machine learning [1.2026897155625271]
  ヒトの呼吸中の揮発性有機化合物(VOC)は、様々な健康状態を明らかにすることができる。 ガスクロマトグラフィー質量分析法(GC-MS)はVOCの測定に用いられているが、その応用は専門家主導のデータ分析によって制限されている。 本稿では, VOCを学習し, 自動検出するディープラーニングパターン認識機能を活用したGC-MSデータ解析システムを提案する。
  論文  参考訳（メタデータ） (2020-05-24T11:44:28Z)

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。