全面和可解释的碎片化:用于快速和准确的质谱预测的机器学习方法
Xian-Yang Zhang1, Xue-Qing Gong1,2
1Centre for Computational Chemistry, School of Chemistry and Molecular Engineering, East China University of Science and Technology, 130 Meilong Road, Shanghai 200237, China.
本研究引入了一种新的双模型机器学习方法,用于增强的体质谱 (MS) 分析. 该方法提高了光谱预测准确度和用于识别未知的分子结构的效率.
科学领域:
- 分析化学 分析化学
- 计算化学计算化学
- 机器学习 机器学习
背景情况:
- 质谱 (MS) 对于化学识别至关重要,但当前的in-silico预测工具存在局限性.
- 现有的方法与广泛的仪器条件,大型分子库和详细的碎片结构分析扎.
研究的目的:
- 开发用于质谱学的先进的in-silico预测策略.
- 克服预测光谱特性和识别分子碎片的局限性.
- 为了增强对分子碎片化行为的理解.
主要方法:
- 提出了一种结合分类和回归的双模型机器学习策略.
- 使用分类模型进行碎片识别和噪声过.
- 采用回归模型进行准确的光谱预测,并结合注意力机制.
主要成果:
- 与现有的算法相比,双模型方法显示出更高的准确性和效率.
- 注意力机制显著改善了对分子碎片化模式的预测.
- 成功促进了大规模的in-silico光谱计算.
结论:
- 开发的机器学习策略为in-silico质谱学提供了强大的解决方案.
- 它可以更深入地了解分子碎片化,并有助于分析未知的结构.
- 促进MS在化学识别和分析中的更广泛应用.
更多相关视频
09:09Semi-Quantitative Analysis of Peptidoglycan by Liquid Chromatography Mass Spectrometry and Bioinformatics
Published on: October 13, 2020
10:37Deep Proteome Profiling by Isobaric Labeling, Extensive Liquid Chromatography, Mass Spectrometry, and Software-assisted Quantification
Published on: November 15, 2017
相关概念视频
Mass Spectrometry: Molecular Fragmentation Overview
One type of fragmentation pattern is the cleavage of a single bond in the molecular ion. The cleavage leads to a radical and a cation. The cleavage can...
Mass Spectrum: Interpretation
To...
Mass Spectrometers
Mass Spectrometry: Carboxylic Acid, Ester, and Amide Fragmentation
For example,...
Mass Spectrometry: Overview
Mass Spectrum
