GEMS: Molecular Structure Elucidation as Learned Search over Isomer Graphs· GEMS：基于同分异构体图的分子结构解析
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 the
基于图学习的分子结构精细化编辑模型
- 核心方法
- GEMS 使用预训练的谱图到指纹模型 MIST 预测指纹概率，通过神经策略将候选结构的指纹与预测值进行比较，并通过保持分子式和总价态的 2-交换键编辑来改进候选结构。
- 适合谁读
- 研究者、工程师
- 要解决的问题
- 文献解决了从分子式和串联质谱中确定小分子结构的难题，这是非靶向代谢组学和天然产物发现中的一个瓶颈。
- 关键实验
- 关键实验包括使用 GEMS 对非靶向代谢组学和天然产物发现中的小分子结构进行预测和改进，具体数据和实验效果未详细提供。
- 主要贡献
- 该研究提出了一种新颖的方法，能够在不改变分子式和原子总价态的情况下，通过少量的键编辑来探索和改进分子结构，提高了分子解析的准确性和效率。
- 意义与局限
- GEMS 的提出对代谢组学和天然产物研究领域有重要影响，可以加速新分子的发现和鉴定过程。然而，该方法的有效性可能受限于 MIST 模型的预测能力和训练数据的多样性。