研究概述
质谱(MS)已在各类生物体系中检出数百万种有机小分子，但绝大多数信号仍缺少可靠的分子注释，制约生物学与医学领域的研究进展。尽管计算技术已有长足发展，质谱分析流程仍高度依赖专家判读与参考谱库；而高置信度的代谢物鉴定(MSI Level 1)高度依托标准品谱库资源，谱库的构建、验证与持续扩充本身投入巨大、门槛极高。小分子的化学空间复杂度远高于DNA和蛋白质，同一个分子式可对应海量同分异构体；仅依靠持续扩充标准品参考谱库，很难覆盖如此庞大的化学空间。针对该瓶颈，康奈尔大学研究团队开发了AIMe（AI Molecule Explorer，人工智能分子探索器），一种多智能体神经符号人工智能框架，可实现组学规模下二级质谱(MS²)的谱图预测、谱图解析与分子注释。研究成果以"Charting the small-molecule universe from mass spectra with neuro-symbolic AI"为题，发表于预印本平台bioRxiv。
AIMe由三个模块化智能体协同构成，对MS²碎裂过程、分子结构与谱图关联关系进行联合推理（图1a--d）：
**DeepMS²Reasoner：**核心模块，一方面用符号方法枚举化学上可行的碎裂途径，另一方面用神经网络评估每一步碎裂反应的发生概率，联合输出MS²谱图与可解释的碎裂途径（图1b）。
**MS²KOSMOSGenerator：**调度DeepMS²Reasoner，对PubChem中已知小分子批量预测谱图，构建面向科研社区的 MS²KOSMOS 资源库（图1c）。
**MS²KOSMOSMapper：**类似核酸/蛋白序列的BLAST同源检索，将任意待查询谱图映射到MS²KOSMOS中的"谱邻域"(spectral neighborhood)，找出碎裂模式相似、化学结构大概率相近的候选分子（图1d）。
图1.用于小分子质谱数据预测、解析、挖掘与映射的多智能体神经符号人工智能框架
研究结果
01. 碎裂建模：从分子结构到质谱谱图
DeepMS²Reasoner从前体分子开始，一步步模拟碎裂过程，并动态构建一张有向无环图(directed acyclic graph, DAG)，不预设最大碎裂深度。在DAG的每个生成节点，模型用三类符号化学算子枚举所有允许发生的碎裂动作：
-
线性键断裂(linear-bond cleavage)；
-
环键断裂(ring-bond cleavage)；
-
切除反应(excision)------先移除内部亚结构，再将保留的边界原子重新成键。
碎裂路径的拓展由神经网络组件ALEA(Action Likelihood Estimator Advisor)负责指导。ALEA会基于当前碎片状态与实验条件，在全部碎裂行为集合上输出归一化概率分布；这些概率经汇总后得到各个碎片离子强度（图2c-d）。模型训练采用基于KL散度（Kullback-Leibler散度）的损失函数，用于衡量预测谱图与实验实测谱图之间的吻合程度（图2d），同时引入额外正则项，优先考虑简单线性断键，而不是更复杂的碎裂行为。
图2.DeepMS²Reasoner中的碎裂途径生成MS²谱图预测
02. DeepMS²Reasoner显著提升预测准确度
研究先从最基础的质谱预测任务检验DeepMS²Reasoner。在NIST 2020独立测试集上，预测谱与实验谱的平均余弦相似度达到0.83；其他对比模型的平均值则在0.61---0.75之间（图3a-b）。在全部分子量区间内，DeepMS²Reasoner性能最优（图3c）。随后用两个主流评测集做外部测试：CASMI 2022挑战赛数据集与社区基准数据集 MassSpecGym(MSG)。DeepMS²Reasoner 在两个数据集上均取得最高平均余弦相似度(CASMI 0.67, MSG 0.59)，在>40%的测试样本中给出与实验最接近的预测谱图；而排名第二的ICEBERG仅在<20%样本中取得最优结果（图3d--f）。
在诱饵谱集检索任务中，无论用熵指标还是余弦相似度，DeepMS²Reasoner从一组预测诱饵谱图中检索出正确结构的表现均优于所有参评工具；在CASMI全异构体诱饵设定下，top-1/top-10/top-50准确率分别达35.6%/64.4%/79.8%（图3g--i）。其核心优势在于：碎裂途径构建与谱峰强度推导紧密耦合，能捕捉多级连续碎裂级联。例如代谢组常见辅因子生物素（图3k），DeepMS²Reasoner可匹配实验所用碰撞能量完成谱图预测，整体余弦相似度为0.88。DeepMS²Reasoner通过对大量理论碎裂途径进行推演，识别出这类深度级联碎裂，这对于更大、更复杂分子同样适用（图3j）。训练过程中习得的普适性裂解模式，使DeepMS²Reasoner能够在多种碰撞能量条件下以高保真度预测质谱图（图3l）。
图3. DeepMS2Reasoner的MS²谱图预测性能优于现有方法
03. 小分子全域质谱谱图预测
作为开发用于MS²谱图化学背景化分析工具的第一步，AIMe平台的MS²KOSMOSGenerator系统调用DeepMS2Reasoner模型，对PubChem数据库中所有m/z<1000的有机化合物进行质谱预测。该模型涵盖超过1亿个化学结构，代表了来源各异的绝大多数已知有机分子，并在正、负离子电离模式下、采用四种不同碰撞能量，预测其质谱图，最终生成超过8亿个预测谱图。这些预测结果随后被整合至MS²KOSMOS空间（一个基于碎片分子式搭建的表征空间），其中分子依据彼此共享的预测碎片完成嵌入（图4a）。每条谱图被表示为一个高维向量：正离子模式维度约3000万、负离子模式约2600万，每一维对应一个由预测碎裂途径导出的唯一碎片分子式或中性丢失；按精确碎片分子式（而非m/z）建索引，使共享碎片的谱图在空间中彼此靠近，支持向量相似度检索与邻域推理。
04. 在MS²KOSMOS中定位未知物质
现在可将任意未知谱图对MS²KOSMOS开展检索，不仅能够筛选出可信的谱图与结构候选；更重要的是，还可划定潜在化学邻域，该邻域内匹配碎片带有与查询谱图共有或相关的结构注释（图4b）。基于查询样本对应的精确实验条件，调用DeepMS²Reasoner预测候选分子的MS²谱图，对候选分子重新排序，实现精细化、依赖碰撞能的相似度匹配打分。最终输出排序后的候选分子集合；这些候选分子可分布在MS²KOSMOS中多个互不相连的结构邻域，分别反映查询谱图不同维度的结构信息。针对每一条候选谱图，输出结果附带完整的碎裂有向无环图(DAG)，图中每一个碎片都标注了质量、分子式以及推定化学结构（图4b）。将查询谱图映射至MS²KOSMOS，可在多种场景下完成谱图的化学背景解析。对于每一次检索，MS²KOSMOSMapper 可在数秒内输出候选分子排序列表，候选分子基于共有碎片支撑，可提示潜在相关结构，或揭示共有的结构特征（图4b）。若查询化合物收录于PubChem（即属于已知分子），基于本模型的检索性能，真实结构极大概率出现在候选前列。若查询化合物为未知物，则来自一个或多个谱邻域的候选分子可为多种备选结构猜想提供先验信息（图4c）。
图4. 在MS2KOSMOS中解析未知物的化学背景
05. AIMe实现小鼠体内菌群依赖性代谢物的注释
研究对无菌小鼠（GF小鼠）与无特定病原体小鼠（SPF小鼠）粪便样本做HPLC-MS对比，检出数千特征峰；与SPF小鼠相比，GF小鼠体内有数百个特征峰丰度差异超过4倍，其中绝大多数无法靠现有标准品/参考库完成鉴定。研究将111个丰度最高、未被鉴定的菌群依赖性特征峰对应的MS²谱图映射至MS²KOSMOS（图5a）。约三分之一的未鉴定代谢物可在MS²KOSMOS中找到高度匹配的谱图，提示这类物质为已知化合物或结构高度相近的同分异构体（图5b ）。图5c展示了两个典型案例：
-
**Query#1（前体m/z 385.2115，推定腐胺衍生物）：**基于最优匹配分子的预测DAG推断碎片结构单元，经模块组合生成6个候选结构（图5d--e）；
-
**Query#2（前体m/z 541.3394，推定精胺衍生物）：**生成18个候选结构（图5e--f）。
在与查询相匹配的碰撞能量下预测全部候选结构的谱图，将其与实验查询谱比对，筛选优先级靠前的候选分子（图5g）。后续合成标准品验证发现，Query#1为一种腐胺衍生物，Query#2为大环精胺衍生物------ 这类大环多胺骨架此前在人/鼠中均未报道，但在人体样本中同样存在（图5h）。
图5. 依托AIMe实现肠道菌群依赖性代谢物的鉴定
06. AIMe支持数据库量级的分子注释
为探究AIMe用于大规模数据库级谱图注释的潜力，本研究采用一套既往发表的、来源于GNPS数据库的大规模MS²数据集。GNPS是重要的社区共享资源，可供研究者上传、共享、整理与分析MS²数据。既往提升注释率的工作将这些MS²数据聚类为8543020个谱图簇，每个谱图簇代表多个原始数据集中一组具有相关性的谱图（图6a）。为评估检索MS²KOSMOS可进一步提升注释率的幅度，通过对该数据集进行筛选，剔除多电荷离子以及质荷比大于1000的大分子，得到包含7144480条共识谱图的测试集。若将候选分子限定在前体离子质量偏差20 ppm或0.01 Da范围内，共得到272142条注释，该结果富集了高概率同分异构体（图6b）。
图6. AIMe支持数据库量级的谱图注释
研究总结
未来版本的AIMe可引入基于大语言模型与多模态推理的增强模块，整合多种正交证据，包括色谱保留时间、核磁共振谱、生化知识库、文献与实验元数据。值得补充的是，AI推演得到的候选结构，最终仍需高置信标准谱库完成核验确认。