論文の概要: The Language of Elution: Autoregressive Prediction of the Next Feature in Untargeted LC-HRMS Lipidomics

• arxiv url: http://arxiv.org/abs/2606.05225v1
• Date: Tue, 02 Jun 2026 10:42:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.256764
• Title: The Language of Elution: Autoregressive Prediction of the Next Feature in Untargeted LC-HRMS Lipidomics
• Title（参考訳）: 溶出の言語:未ターゲットLC-HRMSリピドミドの次の特徴の自己回帰予測
• Authors: Dayanjan S. Wijesinghe,
• Abstract要約: SCIEX TripleTOF 6600+, Waters CSH C18)による4種類の臨床リポソームコホートからの15,242種の特徴の訓練 LSTMは98.4%の精度(99.99%のトップ5、平均絶対誤差3.6Da)、トランスフォーマー98.0%に達する。 これらの結果から, 溶出シーケンスは予測可能であり, メタボロミクスのアノテーションカバレッジを向上させるため, 予測MS/MS獲得の基盤となることが確認された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Untargeted liquid chromatography-high-resolution mass spectrometry (LC-HRMS) detects thousands of molecular features per sample, yet only 2-20% receive confident structural annotations. A root cause of this "dark metabolome" is that tandem MS/MS acquisition is reactive: instruments select precursors only after ions appear, blind to what elutes next. We reframe chromatographic elution as an autoregressive sequence prediction task. Because reversed-phase elution order is governed by hydrophobicity, successive features form a physically constrained sequence, like tokens in language. We discretize the mass-to-charge (m/z) axis into 110 bins and train long short-term memory (LSTM) and Transformer models to predict the next eluting m/z bin from five annotation-free per-token features: m/z bin, mass defect, retention-time gap, polarity, and intensity rank. Trained on 15,242 features from four clinical lipidomics cohorts (342 plasma samples; SCIEX TripleTOF 6600+, Waters CSH C18), the LSTM reaches 98.4% top-1 accuracy (99.99% top-5; mean absolute error 3.6 Da) and the Transformer 98.0%. Ablation shows autoregressive context accounts for 55.5 percentage points while no single feature contributes more than 0.2 pp: the sequential pattern, not molecular properties, drives prediction. Models transfer across instruments sharing the method (r=0.999 on an independent Agilent 6530 dataset) but fail under a different column chemistry (5.1% top-1) or polarity mode (2.6%), confirming method- and mode-specificity. Fine-tuning on as few as two to five quality-control injections recovers held-out accuracy from 2.6% to nearly 50%, so cross-condition deployment needs minimal calibration. These results establish that elution sequences are highly predictable and lay the groundwork for predictive MS/MS acquisition to improve annotation coverage in untargeted metabolomics.
• Abstract（参考訳）: 液体クロマトグラフィー-高分解能質量分析法(LC-HRMS)はサンプル当たり数千の分子特性を検出できるが、確実な構造アノテーションは2-20%に留まる。 この「ダークメタボローム」の根本原因は、タンデムMS/MSの獲得が反応していることである。 自動回帰シーケンス予測タスクとしてクロマトグラフィーの溶出を再構成する。 逆相溶出順序は疎水性によって支配されるため、連続した特徴は言語のトークンのような物理的に制約されたシーケンスを形成する。 我々は、m/z ビン、質量欠陥、保持時間ギャップ、極性、強度ランクの5つのアノテーションのない特徴から次の m/z ビンを予測するために、m/z 軸を110 ビンに識別し、長短期記憶(LSTM)とトランスフォーマーモデルを訓練する。 SCIEX TripleTOF 6600+, Waters CSH C18 の4つの臨床リピロミクスコホート(342のプラズマサンプル、SCIEX TripleTOF 6600+, Waters CSH C18)から15,242個を訓練し、LSTM は98.4% のトップ-1 精度 (99.99% トップ-5; 平均絶対誤差 3.6 Da) と変換器 98.0% に到達した。 アブレーションは自己回帰的文脈の55.5パーセントの値を示し、一方1つの特徴が0.2 pp以上寄与することはない。 モデルは、メソッドを共有する機器(独立したAgilent 6530データセットでr=0.999)間で転送されるが、異なるカラム化学(5.1%トップ-1)または極性モード(2.6%)でフェールし、メソッドとモードの特異性を確認する。 2から5つの品質制御インジェクションの微調整は、ホールドアウトの精度を2.6%から50%近く回復させるため、クロスコンディションの配置には最小限のキャリブレーションが必要である。 これらの結果から, 溶出シーケンスは高い予測可能であり, 非標的メタボロミクスのアノテーションカバレッジを向上させるため, 予測MS/MS獲得の基盤となることが確認された。

関連論文リスト

• Multimodality Stacking with Blockwise missing values and application to the PIONeeR biomarkers study for prediction of resistance to immunotherapy [0.0]
  我々は,Multimodality Stacking with Blockwise missing Value (MSB)を紹介した。 MSBは、クロスバリデーション・スタックング・メタ・ラーナーを介して予測を集約する前に、モダリティ固有の特徴を独立にモデル化する。 MSBは肺がん患者の無再発生存を予測するためにPIONeeRで検証された。
  論文  参考訳（メタデータ） (2026-05-24T12:48:38Z)
• From Theory to Decision Rule: Calibrating the Noisy-Label Crossover for Vision-Language Model Weak Supervision Across Three Medical-Imaging Benchmarks [41.99844472131922]
  基礎モデル弱いラベルに対するベンチマークキャリブレーションを提供する。 理論によって予測される交差は、PCAMではng100、ISICでは20-50、NIH-CXRでは250-500である。 NIH-CXR上の構造付きvs-ランダムノイズ符号フリップは、境界のレートのみの定式化が不完全であることを示す。
  論文  参考訳（メタデータ） (2026-05-23T23:15:07Z)
• Agentic Discovery of Cryomicroneedle Formulations [4.138244144792088]
  低温保護剤発見のためのAI支援クローズドループワークフローを報告する。 培養した198個の間葉系幹細胞凍結保存製剤を21種類の成分に変換した。 もっとも有効な定式化は、DMSO、エクトイン、エチレングリコール、胎児のウシ血清で95.15%の生存率を達成した。
  論文  参考訳（メタデータ） (2026-05-19T11:09:46Z)
• FlashMol: High-Quality Molecule Generation in as Few as Four Steps [33.25994871049577]
  FlashMolは、高品質な分子配座を4段階で生成する超高速な分子生成モデルである。 QM9とGEOM-DRUGデータセットの実験は、FlashMolが最初の1000ステップの教師にマッチし、さらに上回っていることを示している。
  論文  参考訳（メタデータ） (2026-05-07T23:04:24Z)
• Edge-specific signal propagation on mature chromophore-region 3D mechanism graphs for fluorescent protein quantum-yield prediction [0.3058685580689604]
  蛍光タンパク質の量子収率予測のためのクロモフォア中心機構グラフアルゴリズムを提案する。 各PDB構造は、3D残基グラフに変換され、成熟したCRO状態に登録される。 各特徴は接触チャネル、シード信号、ターゲットCRO領域をコードするため、解釈はポストホックではなく本質的である。
  論文  参考訳（メタデータ） (2026-05-07T17:51:41Z)
• Residual Koopman Spectral Profiling for Predicting and Preventing Transformer Training Instability [40.24077350481118]
  トランスフォーマーのトレーニングのばらつきは計算を無駄にするが、実践者は高価なランニングの開始後にのみ不安定を発見する。 我々はRKSP(Residual Koopman Spectral Profiling)について検討した。 我々の中心的な診断は、近単位スペクトル質量であり、単位円の近くに集中したモードの分画を定量化し、不安定なリスクを捉えます。
  論文  参考訳（メタデータ） (2026-02-26T13:33:25Z)
• 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)
• Feature Selection and Regularization in Multi-Class Classification: An Empirical Study of One-vs-Rest Logistic Regression with Gradient Descent Optimization and L1 Sparsity Constraints [0.0]
  マルチクラスのワイン分類は、モデル精度、特徴次元、解釈可能性の基本的なトレードオフを示す。 本稿では,UCIワインデータセット上での1-vs-Restロジスティック回帰に関する総合的研究について述べる。
  論文  参考訳（メタデータ） (2025-10-16T08:47:05Z)
• Learning Flexible Forward Trajectories for Masked Molecular Diffusion [35.326540193307345]
  仮面拡散モデル (MDMs) は離散データのモデリングにおいて顕著な進歩を遂げているが、分子生成におけるそのポテンシャルは未解明のままである。 標準MDMを適用すると、性能が著しく低下するという驚くべき結果が紹介される。 本研究では, 分子グラフ間の衝突を避けるため, 要素ごとの分解軌道を編成するMasked Element-wise Learnable Diffusion (MELD)を提案する。
  論文  参考訳（メタデータ） (2025-05-22T15:30:17Z)
• Interpretable cancer cell detection with phonon microscopy using multi-task conditional neural networks for inter-batch calibration [39.759100498329275]
  本稿では,バッチ間キャリブレーションを同時に実現する条件付きニューラルネットワークフレームワークを提案する。 異なる実験バッチをトレーニングし、検証することで、我々のアプローチを検証する。 このモデルを拡張して, 診断信号の再構成を行い, 疾患状態を示す有能な特徴の物理的解釈を可能にした。
  論文  参考訳（メタデータ） (2024-03-26T12:20:10Z)

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。