論文の概要: Transferable Mass Spectrum Prediction via Reference-Guided Test-time Specialization

• arxiv url: http://arxiv.org/abs/2609.35649v1
• Date: Mon, 28 Sep 2026 17:17:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 20:01:11.12373
• Title: Transferable Mass Spectrum Prediction via Reference-Guided Test-time Specialization
• Title（参考訳）: 基準誘導テストタイムスペシャライゼーションによる伝達性質量スペクトル予測
• Abstract要約: Retrieval-guided test-time Specialization frameworkは、スペクトル参照ライブラリを使用して事前訓練された予測に適応する。 各ターゲットクエリに対して、化学関連参照スペクトルを取得し、学習されたフラグメンテーション空間内の強度を補正する。 転送中は、参照誘導スペクトル適応と信頼性を意識した整合性を組み合わせる。
• 参考スコア（独自算出の注目度）: 18.37889491859364
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Tandem mass spectrum prediction supports compound identification across metabolomics, natural-product discovery, and environmental analysis. However, pretrained predictors often degrade under shifts in chemical space and acquisition conditions, while retraining domain-specific models from scratch is costly. We introduce SPARC, a retrieval-guided test-time specialization framework that adapts a pretrained predictor using a spectral reference library without accessing test-query spectra. For each target query, SPARC retrieves chemically related reference spectra to recalibrate fragment intensities within the learned fragmentation space. During Transfer, SPARC combines reference-guided spectral adaptation with reliability-aware consistency, using reconstruction behavior on retrieved spectra to selectively preserve trustworthy predictions during continual specialization. Across MassSpecGym, NPLIB1 and application-specific GNPS libraries, SPARC improves spectral prediction under multiple transfer settings. These results establish retrieval-guided test-time specialization as a practical strategy for extending pretrained MS/MS predictors to specific chemical and acquisition domains, with continual test-time training providing further refinement during deployment.
• Abstract（参考訳）: タンデム質量スペクトル予測は代謝学、天然物発見、環境分析における化合物の同定をサポートする。 しかしながら、事前訓練された予測器は、化学空間や取得条件の変化の下で劣化することが多く、一方、ドメイン固有のモデルをスクラッチから再訓練することはコストがかかる。 本研究では,検索誘導型テスト時間特殊化フレームワークであるSPARCを紹介した。 各ターゲットクエリに対して、SPARCは化学関連参照スペクトルを取得し、学習されたフラグメント空間内のフラグメント強度を補正する。 転送中、SPARCは参照誘導スペクトル適応と信頼性認識整合性を組み合わせて、検索したスペクトルの再構成挙動を用いて、連続的な特殊化時に信頼できる予測を選択的に保存する。 MassSpecGym、NPLIB1およびアプリケーション固有のGNPSライブラリ全体で、SPARCは複数の転送設定下でのスペクトル予測を改善する。 これらの結果は、事前訓練されたMS/MS予測器を特定の化学・買収領域に拡張するための実用的な戦略として、検索誘導テストタイムスペシャライゼーションを確立し、継続テストタイムトレーニングは、デプロイメント中にさらなる洗練を提供する。

関連論文リスト

• SCENT: Aligning Mass Spectra with Molecular Structure for Olfactory Perception [48.96518000981492]
  直接電子イオン化質量分析法(EI-MS)を嗅覚予測のための代替入力モードとして検討する。 我々は、EI-MS表現と予め訓練された化学構造埋め込みを整合させるマルチモーダルコントラスト学習フレームワークであるSpectrum-to-Chemical EmbeddingalignedmeNT(SCENT)を寄贈する。 マルチラベルの匂い記述子予測タスクでは、SCENTはMSのみのベースラインを著しく上回り、構造ベースモデルに匹敵する嗅覚性能を達成する。
  論文  参考訳（メタデータ） (2026-05-26T13:28:57Z)
• Integrating Bayesian Spectral Deconvolution and Expert Scientific Reasoning for Robust Peak Estimation [0.46141109426698784]
  スペクトルデコンボリューションを専門的な科学的推論と統合する枠組みを提案する。 我々は、高強度ノイズや未知の背景を持つ合成スペクトルを用いて、その枠組みを検証する。
  論文  参考訳（メタデータ） (2026-05-17T16:03:13Z)
• Enhancing LLM Training via Spectral Clipping [28.270053200038586]
  SPECTRAは、スペクトル-ノルム制約を強制する更新のスペクトル後クリッピングのためのフレームワークである。 我々は、SPECTRAがAdamW、Signum、AdEMAMixなどの様々なバリデーションの損失を均一に改善することを示す。
  論文  参考訳（メタデータ） (2026-03-15T10:16:40Z)
• Universal Sequential Changepoint Detection of Quantum Observables via Classical Shadows [62.751483592497806]
  本研究では,前と後の状態が特定された環境での逐次量子変化点検出について検討する。 シャドーベース逐次変化点検出(eSCD)を導入する。 eSCDは、古典的な影に基づく普遍的な測定戦略と、電子検出器上に構築された非パラメトリックシーケンシャルテストを組み合わせる。
  論文  参考訳（メタデータ） (2026-02-12T11:38:40Z)
• 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)
• Foundation model for mass spectrometry proteomics [22.385489678681907]
  本稿では,質量スペクトルの1つの基礎モデルの下で,様々なスペクトル予測タスクを統合することを提案する。 これらの事前訓練されたスペクトル表現を用いることで、下流の4つのタスクの性能が向上することを示す。
  論文  参考訳（メタデータ） (2025-05-16T04:40:07Z)
• A Self-supervised Learning Method for Raman Spectroscopy based on Masked Autoencoders [3.9517125314802306]
  SMAE と呼ばれる Masked AutoEncoder に基づくラマン分光の自己教師型学習パラダイムを提案する。 SMAEは、事前トレーニング中にスペクトルアノテーションを必要としない。ランダムなマスキングを行い、スペクトル情報を再構成することにより、本質的なスペクトル特徴を学習する。
  論文  参考訳（メタデータ） (2025-04-21T10:44:06Z)
• MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
  時系列予測は、周波数の異なる周期特性から導かれる。 マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。 主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-03-11T11:40:14Z)
• Holistic Physics Solver: Learning PDEs in a Unified Spectral-Physical Space [54.13671100638092]
  Holistic Physics Mixer (HPM) は、スペクトルと物理情報を統一された空間に統合するためのフレームワークである。 我々はHPMが精度と計算効率の両面で最先端の手法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-15T08:19:39Z)

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。