論文の概要: dIon: Fragmentation-Based Invariance for Self-Supervised Learning of Tandem Mass Spectra

• arxiv url: http://arxiv.org/abs/2610.06282v1
• Date: Mon, 05 Oct 2026 13:09:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 09:34:02.572172
• Title: dIon: Fragmentation-Based Invariance for Self-Supervised Learning of Tandem Mass Spectra
• Title（参考訳）: dIon: タンデム質量スペクトルの自己教師付き学習のためのフラグメンテーションに基づく不変性
• Abstract要約: 本稿では,ペプチドタンデム質量分析データに対する新しい不変性を導入し,自己教師付き表現学習を開放する。 DINOフレームワークを2つの潜伏予測タスクで適用するdIonを紹介した。 ペプチド配列ラベルを必要とせず、前駆体特性(質量と電荷)とフラグメントイオンエビデンスの間の物理的関係を利用する。
• 参考スコア（独自算出の注目度）: 1.315766151337659
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a novel invariance for peptide tandem mass spectrometry data, unlocking self-supervised representation learning that improves de novo sequencing of peptides. This invariance exploits the physical relationship between precursor properties (mass and charge) and fragment-ion evidence, without requiring peptide sequence labels. We introduce dIon, which adapts the DINO framework with two latent prediction tasks, both recovering a clean teacher representation: one from a spectrum mixture, using the precursor as a selection query, and one from a partial spectrum with the precursor withheld. The first associates precursor information with fragment-ion evidence; the second prevents representational collapse onto that information alone. Mechanistic probes support both effects, and ablations show that the full objective performs best. Under identical end-to-end training, dIon initialization improves de novo peptide precision over training from scratch by 5.5 and 8.4 percentage points on the held-out MassIVE-KB and Kingdoms test sets, and by 2.3 and 4.8 percentage points with a larger supervised training corpus. The resulting models surpass fully supervised state-of-the-art de novo sequencing models on the diverse, multi-species Kingdoms corpus under the same greedy-decoding protocol. Without peptide labels, dIon learns strong native peptide-similarity geometry compared with other learned models; with limited peptide-supervised adaptation, it achieves the best retrieval and pair-discrimination performance across all representation benchmarks.
• Abstract（参考訳）: ペプチドタンデム質量分析データに対する新しい不変性を導入し、ペプチドのデ・ノボシークエンシングを改善する自己教師付き表現学習を開放する。 この不変性は、ペプチド配列ラベルを必要とせず、前駆体特性(質量と電荷)とフラグメントイオンエビデンスの間の物理的関係を利用する。 我々はDINOフレームワークを2つの潜伏予測タスクで適応させるdIonを紹介し、どちらもクリーンな教師表現を復元する:1つはスペクトル混合から、もう1つは選択クエリとして前駆体を、もう1つは前駆体を保持しない部分スペクトルからである。 第1は前者情報とフラグメントイオンの証拠を関連付け、第2は情報のみへの表現的崩壊を防ぐ。 メカニスティックプローブは両方の効果をサポートし、アブレーションは完全な目的が最善であることを示す。 同一のエンドツーエンドトレーニングの下では、dIonの初期化により、トレーニング前のde novoペプチドの精度は、保持されたMassIVE-KBおよびKingsテストセットの5.5および8.4ポイント、そして、より大きな教師付きトレーニングコーパスを持つ2.3および4.8ポイント向上する。 結果として得られたモデルは、同じgreedy-decodingプロトコルの下で、多種多様なキングダムコーパスの完全な管理された最先端のnovoシークエンシングモデルを超えた。 ペプチドラベルがなければ、dIonは他の学習モデルと比較して強力なネイティブペプチド類似性構造を学習する。

関連論文リスト

• MemNovo: Look Back at the Spectrum for Balanced De Novo Peptide Sequencing from Mass Spectrometry [21.22527431134635]
  我々は,ペプチドとスペクトルのコントリビューションを推論時に再バランスさせる,トレーニングフリーでプラグアンドプレイのメカニズムであるMemNovoを提案する。 メムノボはアミノ酸の精度とペプチドの精度を一貫して改善し、カサノボのペプチドの精度は39.1%、インスタノボのペプチドの精度は3.9%向上した。
  論文  参考訳（メタデータ） (2026-06-10T09:43:30Z)
• Optimizing Mirror-Image Peptide Sequence Design for Data Storage via Peptide Bond Cleavage Prediction [10.510705826988952]
  D-アミノ酸からなる鏡像ペプチドが有望な生物記憶媒体として出現している。 本研究は,鏡像ペプチド配列の設計を最適化することにより,間接的にシークエンシング精度を向上させることを提案する最初の試みである。
  論文  参考訳（メタデータ） (2025-10-29T14:40:13Z)
• Pep2Prob Benchmark: Predicting Fragment Ion Probability for MS$^2$-based Proteomics [11.487378569927499]
  Pep2Probはペプチド特異的なイオン確率予測のために設計された最初の包括的なデータセットとベンチマークである。 データセットには608,780の前駆体に対するフラグメントイオン確率統計が含まれており、一対のペプチド配列と電荷状態である。
  論文  参考訳（メタデータ） (2025-08-12T20:39:50Z)
• Universal Biological Sequence Reranking for Improved De Novo Peptide Sequencing [32.29218860420551]
  RankNovoは、de novoペプチドシークエンシングを強化する最初の深層構造である。 我々の研究は、既存のシングルモデルパラダイムに挑戦し、正確なde novoシークエンシングのフロンティアを前進させる新しい戦略を提示する。
  論文  参考訳（メタデータ） (2025-05-23T06:56:55Z)
• Test-Time Alignment via Hypothesis Reweighting [56.71167047381817]
  大規模な事前訓練されたモデルは、しばしば未指定のタスクで苦労する。 テストタイムのユーザ意図にモデルを整合させるという課題に対処する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-11T23:02:26Z)
• NovoBench: Benchmarking Deep Learning-based De Novo Peptide Sequencing Methods in Proteomics [58.03989832372747]
  Emphde novoペプチドシークエンシングのための初となるNovoBenchベンチマークを報告する。 多様な質量スペクトルデータ、統合モデル、総合的な評価指標から構成される。 DeepNovo、PointNovo、Casanovo、InstaNovo、AdaNovo、$pi$-HelixNovoといった最近の手法が私たちのフレームワークに統合されています。
  論文  参考訳（メタデータ） (2024-06-16T08:23:21Z)
• Efficient Prediction of Peptide Self-assembly through Sequential and Graphical Encoding [57.89530563948755]
  この研究は、高度なディープラーニングモデルを用いたペプチドエンコーディングのベンチマーク分析を提供する。 等電点や水和自由エネルギーなど、幅広いペプチド関連予測のガイドとして機能する。
  論文  参考訳（メタデータ） (2023-07-17T00:43:33Z)
• Adversarial Dual-Student with Differentiable Spatial Warping for Semi-Supervised Semantic Segmentation [70.2166826794421]
  本研究では、教師なしデータ拡張を行うために、微分可能な幾何ワープを提案する。 また,平均教師数を改善するために,新しい対角的二重学習フレームワークを提案する。 我々のソリューションは、両方のデータセットで得られるパフォーマンスと最先端の結果を大幅に改善します。
  論文  参考訳（メタデータ） (2022-03-05T17:36:17Z)
• Semi-supervised Contrastive Learning with Similarity Co-calibration [72.38187308270135]
  SsCL(Semi-supervised Contrastive Learning)と呼ばれる新しいトレーニング戦略を提案する。 ssclは、自己教師付き学習におけるよく知られたコントラスト損失と、半教師付き学習におけるクロスエントロピー損失を組み合わせる。 SsCLはより差別的な表現を生じさせ,ショット学習に有益であることを示す。
  論文  参考訳（メタデータ） (2021-05-16T09:13:56Z)

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。