arXiv cs.AI· Utku Umur Acikalin, Yingheng Wang, Goncalo J. Gouveia, Tyler J. Schwertfeger, Frank C. Schroeder, Carla P. Gomes·· 11 小时前AI 评分29
GEMS：将分子结构解析建模为异构体图上的学习式搜索
GEMS: Molecular Structure Elucidation as Learned Search over Isomer Graphs
AI 导读
GEMS 通过保持分子式和原子价态的 2-switch 键编辑对候选结构进行学习式精修，在排除目标结构的 PubChem 初始化下，三轮编辑在 NPLIB1 和 MassSpecGym 上分别达到 29.64%/50.81% 和 30.22%/41.33% 的 Hit@1/Hit@10，超过已发表基线。
正文 · AI 翻译
摘要：从分子式和串联质谱中鉴定小分子结构，仍是非靶向代谢组学和天然产物发现中的瓶颈。即使数据库检索或从头预测未能命中确切结构，所得候选物也能通过少量键编辑，为探索邻近结构提供起点。我们提出 GEMS（Guided Editing of Molecular Structures，分子结构引导编辑），它通过学到的 2-switch 键编辑来精修候选物，这些编辑保持分子式和每个原子的总价态不变。GEMS 使用预训练的谱图到指纹模型 MIST，对每个谱图只预测一次指纹概率。神经策略将每个候选物的指纹与这些预测进行比较，把存在的特征关联到生成它们的原子和键，并在一次前向传播中为所有有效编辑打分。该策略在结构之间的最短编辑路径上训练，因此可以在没有谱图的情况下于 PubChem 异构体上预训练，再用谱图预测的指纹进行微调。推理时，GEMS 从多个与给定分子式匹配的初始候选物出发进行搜索，并按指纹一致性和多起点共识对候选物排序。在将目标结构从 PubChem 初始化中排除的情况下，三轮编辑在 NPLIB1 上达到 Hit@1/Hit@10 为 29.64%/50.81%，在 MassSpecGym 上为 30.22%/41.33%，在可比设置下超过了已发表的基线。在 NPLIB1 上，GEMS 端到端约 3.3 分钟即可获得更高的鉴定准确率，而我们运行 FRIGID 需要 26.2 小时。GEMS 还能改进从生成候选物（包括经 FRIGID 精修的候选物）出发的鉴定。使用精确目标指纹的实验表明，指纹预测误差是目标恢复和最终排序中的瓶颈。更深的搜索无需重新训练即可恢复更多目标，且初始候选物越弱，收益越大。
| 评论： | 36 页，9 幅图，17 张表 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.23617 [cs.AI] |
| （或 arXiv:2610.23617v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.23617 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Utku Umur Acikalin [查看电子邮件]
[v1]
2026 年 10 月 16 日星期五 15:28:34 UTC（706 KB）
来源：arXiv cs.AI · arxiv.org