論文の概要: GEMS: Molecular Structure Elucidation as Learned Search over Isomer Graphs

• arxiv url: http://arxiv.org/abs/2610.23617v1
• Date: Fri, 16 Oct 2026 15:28:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.990046
• Title: GEMS: Molecular Structure Elucidation as Learned Search over Isomer Graphs
• Title（参考訳）: GEMS:異性体グラフの学習による分子構造解明
• Abstract要約: GEMS (Guided Editing of Molecular Structures) を導入する。 GEMSは、事前訓練されたスペクトル-フィンガープリントモデルであるMISTを使用して、1スペクトル当たりの指紋確率を予測する。 供給された分子式に一致する複数の初期候補から検索し、指紋合意とマルチスタートコンセンサスによって候補をランク付けする。
• 参考スコア（独自算出の注目度）: 19.55646535333231
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Identifying small-molecule structures from molecular formulas and tandem mass spectra remains a bottleneck in untargeted metabolomics and natural-product discovery. Even when database retrieval or de novo prediction misses the exact structure, the resulting candidates can provide starting points for exploring nearby structures through a few bond edits. We introduce GEMS (Guided Editing of Molecular Structures), which refines candidates through learned 2-switch bond edits that preserve the molecular formula and each atom's total valence. GEMS uses MIST, a pretrained spectrum-to-fingerprint model, to predict fingerprint probabilities once per spectrum. A neural policy compares each candidate's fingerprint with these predictions, links present features to the atoms and bonds that generate them, and scores all valid edits in one forward pass. The policy is trained on shortest edit paths between structures, so it can be pretrained on PubChem isomers without spectra and then fine-tuned with spectrum-predicted fingerprints. At inference, GEMS searches from multiple initial candidates matching the supplied molecular formula and ranks candidates by fingerprint agreement and multi-start consensus. With the target structure excluded from PubChem initialization, three edit rounds achieve Hit@1/Hit@10 of 29.64%/50.81% on NPLIB1 and 30.22%/41.33% on MassSpecGym, exceeding published baselines under comparable settings. On NPLIB1, GEMS achieves higher identification accuracy in about 3.3 minutes end to end, compared with 26.2 hours for our FRIGID run. GEMS also improves identification from generated candidates, including those refined by FRIGID. Experiments with exact target fingerprints identify fingerprint prediction error as a bottleneck in target recovery and final ranking. Deeper search recovers additional targets without retraining, with larger gains from weaker initial candidates.
• Abstract（参考訳）: 分子式やタンデム質量スペクトルから小さな分子構造を同定することは、未発見の代謝学や天然物発見においてボトルネックとなっている。 データベースの検索やデノボ予測が正確な構造を見逃しても、その候補はいくつかの結合編集によって近くの構造物を探索するための出発点を提供することができる。 分子構造のガイド編集 (Guided Editing of Molecular Structures) を導入し, 分子式と各原子の総原子価を保存した2-スウィッチ結合編集により候補を洗練する。 GEMSは、事前訓練されたスペクトル-フィンガープリントモデルであるMISTを使用して、1スペクトルあたりの指紋確率を予測する。 ニューラルポリシーは、候補者の指紋とこれらの予測を比較し、それらを生成する原子と結合に現在の特徴をリンクし、すべての有効な編集を1つの前方通過でスコア付けする。 このポリシーは、構造間の最も短い編集経路に基づいて訓練されており、PubChem異性体上でスペクトルなしで事前訓練し、スペクトル予測された指紋で微調整することができる。 推定では、GEMSは供給された分子式に適合する複数の初期候補から検索し、指紋合意とマルチスタートコンセンサスによって候補をランク付けする。 NPLIB1では29.64%/50.81%、MassSpecGymでは30.22%/41.33%の編集ラウンドがHit@1/Hit@10を達成する。 NPLIB1では、GEMSは約3.3分で識別精度が高く、FRIGIDの実行時間は26.2時間である。 GEMSはまた、FRIGIDによって改良されたものを含む、生成された候補の識別を改善している。 正確なターゲット指紋を用いた実験は、ターゲット回復と最終ランキングのボトルネックとして指紋予測誤差を識別する。 より深い検索は、トレーニングをせずに追加ターゲットを回復し、より弱い初期候補から大きな利益を得る。

関連論文リスト

• MS-GPT: Rethinking MS/MS De Novo Structure Elucidation as Spectrum-Induced Posterior Querying of a Molecule-Language Model [40.63247259280181]
  MS-GPTは、条件付き分子言語モデルのスペクトル誘発後クエリーとして指紋によるde novoの解明を再放送する。 NPLIB1とMassSpecGymでは、MS-GPTはTop-1/Top-10の精度が29.8%/41.1%、23.9%/28.7%に達した。
  論文  参考訳（メタデータ） (2026-07-26T11:29:23Z)
• GLACIER: Rethinking Mass Spectrum Prediction as an Object Detection Problem [26.455340248074222]
  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。
  論文  参考訳（メタデータ） (2026-06-28T02:52:39Z)
• 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)
• 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)
• Test-Time Tuned Language Models Enable End-to-end De Novo Molecular Structure Generation from MS/MS Spectra [31.563216077422084]
  タンデム質量分析法は、代謝学、天然物発見、環境分析などの重要な分野における未知化合物の同定を可能にする。 テスト時間チューニングを活用することで,事前学習されたトランスフォーマーモデルの学習を向上し,このギャップに対処するフレームワークを導入する。 我々は、NPLIB1とMassSpecGymの2つの人気のあるベンチマークで、DiffMSのデファクトステート・オブ・ザ・アーティカルアプローチを100%と20%上回った。
  論文  参考訳（メタデータ） (2025-10-27T18:25:36Z)
• RFL: Simplifying Chemical Structure Recognition with Ring-Free Language [66.47173094346115]
  化学構造を階層的に記述する新しいリング自由言語(RFL)を提案する。 RFLは複雑な分子構造を複数の部分に分解し、特異性と簡潔性の両方を保証する。 分子骨格と個々の環を段階的に予測する骨格生成モジュールからなる普遍的な分子骨格デコーダ(MSD)を提案する。
  論文  参考訳（メタデータ） (2024-12-10T15:29:32Z)
• JESTR: Joint Embedding Space Technique for Ranking Candidate Molecules for the Annotation of Untargeted Metabolomics Data [8.206379003314925]
  本稿ではアノテーションのための新しいパラダイム(JESTR)を紹介する。 分子指紋やスペクトルを明示的に構築する従来のアプローチとは異なり、JESTRはそれらの表現を結合空間に効果的に埋め込む。 JESTRを3つのデータセット上でmol-to-specおよびspec-to-FPアノテーションツールに対して評価する。
  論文  参考訳（メタデータ） (2024-11-18T03:03:57Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)

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。