Search research articles

ACERCA DE JoVE

Visión General Liderazgo Blog Centro de Ayuda JoVE

AUTORES

Proceso de Publicación Consejo Editorial Alcance y Políticas Revisión por Pares Preguntas Frecuentes Enviar

BIBLIOTECARIOS

Testimonios Suscripciones Acceso Recursos Consejo Asesor de Bibliotecas Preguntas Frecuentes

INVESTIGACIÓN

JoVE Journal Methods Collections JoVE Encyclopedia of Experiments Archivo

EDUCACIÓN

JoVE Core JoVE Business JoVE Science Education JoVE Lab Manual Centro de Recursos para Profesores Sitio de Profesores

Términos y Condiciones de Uso

Política de Privacidad

Videos de Conceptos Relacionados

Avoidance Learning and Learned Helplessness

Avoidance Learning and Learned Helplessness

Avoidance learning and learned helplessness are critical concepts in understanding behavioral responses to negative stimuli.
Avoidance learning occurs when an organism learns that a specific behavior can prevent an unpleasant outcome. For example, a student who receives a bad grade may start studying harder to avoid future poor grades. This behavior persists even when the negative outcome is no longer present. Avoidance learning is powerful because it maintains behavior in the absence of the...

Molecular Models

Molecular Models

Physical models representing molecular architectures of chemical compounds play essential roles in understanding chemistry. The use of molecular models makes it easier to visualize the structures and shapes of atoms and molecules.

Self-Evaluation: Self-Enhancement and Self-Verification

Self-Evaluation: Self-Enhancement and Self-Verification

Social psychologists have documented that feeling good about ourselves and maintaining positive self-esteem is a powerful motivator of human behavior (Tavris & Aronson, 2008). In the United States, members of the predominant culture typically think very highly of themselves and view themselves as good people who are above average on many desirable traits (Ehrlinger, Gilovich, & Ross, 2005). Often, our behavior, attitudes, and beliefs are affected when we experience a threat to our...

Molecular Orbital Theory II

Molecular Orbital Theory II

Molecular Orbital Energy Diagrams

How Data are Classified: Categorical Data

How Data are Classified: Categorical Data

A variable, usually notated by capital letters such as X and Y, is a characteristic or measurement that can be determined for each member of a population. Data are the actual values of variables. They may be numbers, or they may be words. Datum is a single value.
Data are classified based on whether they are measurable or not. Categorical data cannot be measured; instead, it can be divided into categories. For example, if Y denotes a person's party affiliation, some examples of Y include...

Molecular Orbital Theory I

Molecular Orbital Theory I

Overview of Molecular Orbital Theory

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por

Same author

Agentic AI for Structural Elucidation and Discovery of Drug Metabolites from Mass Spectrometry Data.

bioRxiv : the preprint server for biology·2026

Same author

Perinatal ampicillin exposure alters murine maternal fecal bile acid and acylcarnitine profiles.

Gut microbes·2026

Same author

A multi-organ metabolomics atlas reveals molecular dysregulations in Alzheimer's disease mouse models.

Cell reports·2026

Same author

Ultrasonography for suspected mild-to-moderate acute left colonic diverticulitis: a prospective head-to-head study with computed tomography.

Frontiers in radiology·2026

Same author

Benchmarking MS/MS Featurization Strategies for Machine Learning-Driven Metabolite Structure Annotation.

Journal of the American Society for Mass Spectrometry·2026

Same author

SUCNR1 coordinates metabolic flux, mitochondrial function, and nutrient-dependent adaptation in hepatocytes.

Science advances·2026

Search research articles

Video Experimental Relacionado

Updated: Feb 15, 2026

A Virtual Machine Platform for Non-Computer Professionals for Using Deep Learning to Classify Biological Sequences of Metagenomic Data

A Virtual Machine Platform for Non-Computer Professionals for Using Deep Learning to Classify Biological Sequences of Metagenomic Data

Published on: September 25, 2021

ChemEmbed: un marco de aprendizaje profundo para la identificación de metabolitos utilizando datos MS/MS mejorados y

Muhammad Faizan-Khan¹, Roger Giné^1,2, Josep M Badia¹

¹Department of Electronic Engineering, Universitat Rovira i Virgili, Tarragona 43007, Spain.

Briefings in bioinformatics

|February 13, 2026

Resumen

Este resumen es generado por máquina.

ChemEmbed mejora los espectros de espectrometría de masas (MS/MS) utilizando incrustaciones de estructura química para mejorar la identificación de metabolitos. Este enfoque de aprendizaje automático supera significativamente a las herramientas existentes en la identificación de compuestos desconocidos en la investigación de metabolómica.

Palabras clave:

aprendizaje profundo espectrometría de masas identificación de metabolitos incrustaciones moleculares metabolómica no dirigida

Más Videos Relacionados

Analysis of Multidimensional Microscopy Data Using Cell-ACDC

Analysis of Multidimensional Microscopy Data Using Cell-ACDC

Published on: November 7, 2025

Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches

Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches

Published on: December 15, 2023

Videos de Experimentos Relacionados

Last Updated: Feb 15, 2026

A Virtual Machine Platform for Non-Computer Professionals for Using Deep Learning to Classify Biological Sequences of Metagenomic Data

A Virtual Machine Platform for Non-Computer Professionals for Using Deep Learning to Classify Biological Sequences of Metagenomic Data

Published on: September 25, 2021

Analysis of Multidimensional Microscopy Data Using Cell-ACDC

Analysis of Multidimensional Microscopy Data Using Cell-ACDC

Published on: November 7, 2025

Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches

Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches

Published on: December 15, 2023

Área de la Ciencia:

Química computacional
Metabolómica
Bioinformática

Sus antecedentes:

La espectrometría de masas (MS/MS) es crucial para la metabolómica, pero la identificación de compuestos desconocidos está limitada por la cobertura de la biblioteca espectral.
Los métodos de aprendizaje automático existentes luchan con la complejidad y la escasez de los datos espectrales MS/MS y las estructuras de metabolitos.

Objetivo del estudio:

Desarrollar un nuevo método de aprendizaje automático, ChemEmbed, para mejorar la identificación de metabolitos en datos MS/MS.
Abordar las limitaciones de las herramientas actuales de anotación espectral integrando información de la estructura química.

Principales métodos:

ChemEmbed utiliza representaciones vectoriales multidimensionales y continuas de estructuras químicas.
Los espectros MS/MS se mejoran fusionando datos de múltiples energías de colisión e incorporando pérdidas neutras calculadas.
Una red neuronal convolucional (CNN) procesa los datos espectrales y estructurales mejorados.

Principales resultados:

ChemEmbed identifica correctamente el metabolito candidato en más del 42% de los casos y dentro de los cinco primeros en más del 76% de los casos.
El método demostró un rendimiento superior en comparación con SIRIUS 6 en los puntos de referencia CASMI 2016 y 2022.
ChemEmbed identificó con éxito 25 compuestos previamente desconocidos en el conjunto de datos de Espectros No Identificados Recurrentes Anotados (ARUS).

Conclusiones:

ChemEmbed ofrece una solución robusta y escalable para acelerar la identificación de metabolitos en la espectrometría de masas no dirigida.
La integración de incrustaciones de estructuras químicas con espectros MS/MS mejorados representa un avance significativo en la metabolómica computacional.