論文の概要: GLACIER: Rethinking Mass Spectrum Prediction as an Object Detection Problem

• arxiv url: http://arxiv.org/abs/2606.29161v1
• Date: Sun, 28 Jun 2026 02:52:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.817016
• Title: GLACIER: Rethinking Mass Spectrum Prediction as an Object Detection Problem
• Title（参考訳）: GLACIER:物体検出問題としての質量スペクトル予測の再検討
• Abstract要約: 分子グラフのための単一段変圧器を用いたフラグメント検出ニューラルネットワークであるGLACIERを紹介する。 GLACIERは既存の最先端技術よりも高速で精度が高い。
• 参考スコア（独自算出の注目度）: 26.455340248074222
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Predicting tandem mass spectra (MS/MS) from molecular structures represents a central task in analytical chemistry with direct relevance to clinical metabolomics, systems biology, and adjacent disciplines. In this work, we revisit the problem through the lens of object detection on molecular graphs. Molecular fragmentation, a central step in MS/MS prediction, can be approximated as detecting a set of subgraphs (i.e., fragments) and their associated spectral contributions. Existing fragment-based models follow a two-stage paradigm -- first generating candidate fragments and then scoring them -- analogous to two-stage R-CNNs in computer vision. Towards higher accuracy and faster inference, we introduce GLACIER, a single-stage transformer-based fragment detection neural network for molecular graphs. This unified formulation eliminates the need for candidate enumeration, enabling scalable and globally consistent modeling of molecular fragmentation. GLACIER is faster and more accurate than existing state-of-the-art by a significant margin, achieving 70.0% and 69.7% Top-1 retrieval accuracy with and without contrastive finetuning on the MassSpecGym dataset (from the previous SOTA of 64.0%) and 52.5% and 38.5% respectively on the NIST'20 dataset (from 33.2%). Furthermore, GLACIER provides nearly 8-fold inference speedup over our prior two-stage model. Code is available at https://github.com/coleygroup/ms-pred
• Abstract（参考訳）: 分子構造からのタンデム質量スペクトル(MS/MS)の予測は、臨床代謝学、システム生物学、および隣接する分野に直接関連する分析化学における中心的な課題である。 本研究では,分子グラフ上の物体検出レンズを用いて問題を再検討する。 MS/MS予測における中心的なステップである分子断片化は、一連の部分グラフ(フラグメント)とその関連するスペクトル寄与を検出するものとして近似することができる。 既存のフラグメントベースのモデルは、コンピュータビジョンにおける2段階のR-CNNに類似した、2段階のパラダイム – 最初に候補のフラグメントを生成し、それらをスコア付けする — に従っている。 高精度かつ高速な推論を実現するため,分子グラフのための単一ステージトランスフォーマーを用いたフラグメント検出ニューラルネットワークであるGLACIERを導入する。 この統一的な定式化は、候補列挙の必要性を排除し、スケーラブルで一貫した分子断片化のモデリングを可能にする。 GLACIERは既存の最先端技術よりも高速で精度が高く、70.0%と69.7%のTop-1検索精度を達成し、M MassSpecGymデータセット(以前のSOTAの64.0%から)と52.5%と38.5%(33.2%から)で比較的に微調整した。 さらに、GLACIERは以前の2段階モデルよりも8倍近い推論速度を提供する。 コードはhttps://github.com/coleygroup/ms-predで入手できる。

関連論文リスト

• MSAlign: Aligning Molecule and Mass Spectra Foundation Models for Metabolite Identification [11.133897813950789]
  分子の集合が与えられたMS/MSスペクトルから代謝物の化学構造を復元することからなる分子検索タスクに対処する。 本稿では,表現アライメントとコントラスト学習に基づく最近のアプローチを包含する統合フレームワークを提案する。 MSAlignは実装が簡単で、トレーニングが速く、すべてのベンチマークで既存のアプローチよりも一貫して優れています。
  論文  参考訳（メタデータ） (2026-05-19T12:19:35Z)
• Bridging the Modality Bottleneck in Pathology MIL through Virtual Molecular Staining [21.47707112793145]
  プロジェクション層のプラグイン置換である分子インフォーム・ステイニング変換(MIST)を導入する。 MISTクラスタの遺伝子発現プロファイルをクロスモーダルプロトタイプに分類し、凍結基盤モデルの特徴空間に固定し、H&Eパッチの機能を再編成する。 MISTは標準射影層上で240の256構成を改善し、平均利得は+3.5%で、終端型間で一貫して観察される。
  論文  参考訳（メタデータ） (2026-05-12T06:49:35Z)
• FRIGID: Scaling Diffusion-Based Molecular Generation from Mass Spectra at Training and Inference Time [52.735012862324766]
  本稿では,質量スペクトルに条件付き構造を生成する新しい拡散言語モデルを用いたフレームワークFRIGIDを提案する。 スペクトル非一貫性フラグメントを同定することにより、前方フラグメンテーションモデルが推論時間スケーリングを実現する方法を示す。 さらなる実証分析により、FRIGIDは推論時間の増大を伴う対数線形性能のスケーリングを示すことが示された。
  論文  参考訳（メタデータ） (2026-04-17T19:11:18Z)
• 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)
• GTR-CoT: Graph Traversal as Visual Chain of Thought for Molecular Structure Recognition [60.76623665324548]
  GTR-Mol-VLMは、2つの重要な革新を特徴とする新しいフレームワークである。 シーケンシャルな原子結合予測を通じて分子グラフを段階的に解析することで、人間の推論をエミュレートする。 MolRec-BenchはOCSRにおけるグラフパーシング精度の詳細な評価のために設計された最初のベンチマークである。
  論文  参考訳（メタデータ） (2025-06-09T08:47:10Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [68.32093648671496]
  分子に固有の二重レベル構造を考慮に入れたGODEを導入する。 分子は固有のグラフ構造を持ち、より広い分子知識グラフ内のノードとして機能する。 異なるグラフ構造上の2つのGNNを事前学習することにより、GODEは対応する知識グラフサブ構造と分子構造を効果的に融合させる。
  論文  参考訳（メタデータ） (2023-06-02T15:49:45Z)
• 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)
• Untargeted Region of Interest Selection for GC-MS Data using a Pseudo F-Ratio Moving Window ($\psi$FRMV) [0.0]
  本稿では,GC-MSデータにおける関心領域の自動選択手法を提案する。 これは、クロマトグラムを横切るウィンドウの特異値分解から得られる正方形第一値と第二特異値の比に基づいている。 アルゴリズムの感度は、信号を含むクロマトグラフィー領域をもはや取り出すことができない濃度を調べることで検証された。
  論文  参考訳（メタデータ） (2022-07-30T21:43:05Z)
• 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)

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。