利用机器学习解密万亿级质谱数据，发现有机反应

科学界积累的海量数据集已超出传统处理方法的容量，这凸显了对能够处理海量现有实验数据的创新高效算法的迫切需求。为了应对这一挑战，我们的研究引入了一个机器学习 (ML) 驱动的搜索引擎，专门用于分析万亿级高分辨率质谱 (HRMS) 数据。该引擎采用一种以同位素分布为中心的新型搜索算法，并由两个协同的机器学习模型增强，有助于发现迄今为止未知的化学反应。该方法能够对现有数据进行严格的研究，从而为化学假设提供有效的支持，同时减少进行额外实验的需求。此外，我们还扩展了该方法，使其能够自动生成反应假设。在实际验证中，我们的方法成功识别了多个反应，揭示了此前未描述的转化。其中，Mizoroki-Heck 反应中的杂环-乙烯基偶联过程尤为突出，凸显了该引擎阐明复杂化学现象的能力。