Command Palette
Search for a command to run...
Generierung Von 800 Millionen Vorhergesagten Massenspektren Für Über 100 Millionen Kleine Moleküle – Cornell University Stellt AIMe Vor, Das Chemische Regeln, Fragmentierungs-Pfad-Reasoning Und Neuronales Lernen Kombiniert
In der Metabolomik kann die Massenspektrometrie eine Vielzahl von Signalen kleiner Moleküle aus komplexen biologischen Proben erfassen, aber das Detektieren dieser Signale ist nur der erste Schritt; tatsächlich schwierig ist es zu bestimmen, welchen Molekülen sie entsprechen. Derzeit deckt die verfügbare experimentelle Referenzspektrenbibliothek weniger als 1 % aller bekannten Verbindungen ab, sodass bei typisch komplexen biologischen Proben mehr als 80 % der Metaboliten meist nicht identifiziert werden können. Gleichzeitig ist der strukturelle Raum kleiner Moleküle weitaus komplizierter als jener von DNA und Proteinen. Einzelne Summenformeln können einer großen Anzahl unterschiedlicher Strukturen zugeordnet sein – allein durch fortgesetzte Erweiterung von Standardsubstanzen und Referenzspektrenbibliotheken lässt sich ein solch riesiger chemischer Raum kaum vollständig abdecken.
Um dieses Problem anzugehen, hat ein Forschungsteam der Cornell University den „AI Molecule Explorer“ (AIMe) entwickelt, einen multi-agentenbasierten neuronal-symbolischen KI-Rahmen zur Analyse kleiner molekularer Massenspektren. Das Kernmodell DeepMS²Reasoner kombiniert chemische Regeln, Inferenzen über Fragmentierungswege mit neuronalem Lernen und simuliert ausgehend von der Molekülstruktur Prozesse wie Bindungsbrüche oder Wasserstoffverschiebungen sowie deren Auswirkungen auf Fragmente und sagt daraus resultierende MS/₂-Spektren vorher. AIMe ermöglicht damit einen Ausbruch aus dem traditionellen direkten Abgleich zwischen experimentellen Spektren und Referenzdatenbanken indem unbekannte Spektraldaten im größeren Kontext potenzieller Strukturkandidaten gesucht werden.
Zur Erweiterung dieser Fähigkeiten innerhalb des Raums bekannter kleiner organischer Substanzen baute das Team zusätzlich MS²KOSMOS auf, welches für über hundert Millionen kleine organische Verbindungen publiziert im PubChem-Datensatz insgesamt über acht Milliarden vorausgesagter MS/₂-Spektren generierte, wodurch die Suchbarkeit um etwa drei Größenordnungen gegenüber bestehenden empirischen Datenbeständen gesteigert wurde. Für jedes einzelne unbekanzte Spektrum liefert AIMe neben Kandidatenmolekulen auch entsprechende Zerfallsmechanismen samt Zuordnung spezifischer Peaks zu möglichen fragmentierten Formelanteilen bzw. Strukturmöglichkeiten. Die Forscher validierten diese Methode anschließend an mikrobiota-assoziierten Stoffwechselprodukten aus Mauskotproben sowie anhand großflächiger öffentlicher Datensätze vom Global Natural Products Social Molecular Networking Project (GNPS).
Die entsprechenden Ergebnisse wurden unter dem Titel „Charting the small-molecule universe from mass spectra with neuro-symbolic AI“ vorab auf dem Preprint-Server bioRxiv veröffentlicht.
Zum Originalartikel:
https://www.biorxiv.org/content/10.64898/2026.08.05.743095v1
Vom Experimentalspektrum zum universum großer molekularen Räume
AIMe umfasst primär drei Aufgabenbereiche: Training eines Modells zur Vorhersage spektroskopischer Signaturen, Aufbau eines durchsuchbaren kleinen Organika-Kosmos sowie Überprüfung dessen Leistungsfähigkeit gegen reale Probenmaterialien.
Die Trainingsdaten stammen dabei hauptsächlich aus dem NIST 2020 Tandem-Massenspektrometerarchiv. Es blieben ausschließlich protonierte ([M+H]⁺) deprotionierte ([M-H]⁻)-Spektren übrig während metallhaltige Materialien sowie unvollständig annotierte Fälle entfernt wurden. Alle Messwerte inklusive Peakpositionierungen wurden standardisiert verarbeitet. Aufgeteilt nach vollständigen InChIKeys ergaben sich Anteile von jeweils achzig Prozent trainingsrelevanten Informationen zehn Prozent Validierungsinformationen sowie weitere zehn Prozent Testinformationen. Um Verzerrungseffekte infolge redundanter Strukturelemente auszuschließen wurden jene Testfälle ausgeschlossen welche identische Morgan-Fingerprints-Tanimoto-Werte gleich Eins zeigten.
Externe Generalisierungstests erfolgten mittels zweier separater unabhängiger Datasets namens CASMI 2022 respektive MassSpecGym ohne dass irgendeine Komponente hiervon jemals Teil des Lernprozesses gewesen wäre. Bei strukturbasierenden Retrievaltests erhöhte man nochmals künstlich Schwierigkeitsgrad indem pro gemessenen Probe maximal vierzig-neun ähnliche Masseträger hinzugenommen wurden wobei echte Zielstrukturen ebenfalls enthalten waren. Speziell beim CASMI-Projekt existierte noch strengere Variante wo sämtliche Isomerformen gleicher Summenformeln berücksichtigt worden wären was letztlich fast zwei Million fünfhunderttausend hypothetische Vergleichswerte bedeutete.
Nach Abschluss sämtlicher Berechnungen richteten sich Fokusrichtungen hinuntergehend bis hinunter ins Pubchem-Archiv selbst bestehend aus knapp einhundertfünf Millionen verschiedenen synthetisierten Naturstoffen deren Gesamtmasse unter tausend Dalton lag. Hierfür berechnete man nunmehr positiv ionisierend negativ ionisierend zusammen mit vier unterschiedlichen Stoßenergiewerten jeweils passende theoretische Zersetzungsprofile was schlussendlich über acht Milliarden neue virtuelle Einträge produzierte welche dann systematisch organisiert wurden unter Bezeichnung MS²KOSMOS bereitgestellt dienen später dazu effizienter Suche unbekannter natürlicher Extrakte dienen könnte.
Praktische Anwendungen bezogen sich konkret immerhin auf zwei getrennt voneinander untersuchte Gruppen ersteres enthielt Stuhlmetabolite steril gezüchteter mausartiger Versuchstiere versus konventionell gehaltenen Individuen letzteres bestand rein öffentlich zugänglichen archivarischen Sammlungen global verfügbarer gemeinschaftlich erstellten tandemmassenspektrometrischen Profile nachdem diverse Filterkriterien bezüglich Ladungsverteilung absoluter Massenbereichen angewendet worden waren landeten genau siebenmillionenhundertvierundvierzigtausendvierhundertachtzig valide consensus profiles final im Pool zur weiteren Verarbeitungsschritten.
Wie Modelle lernen wie Moleküle zerfallen
AIMe besteht prinzipiell aus drei eng miteinander verbundenen Bausteinen: Zunächst übernimmt DeepMS²Reasoner autonom Aufgabe Vorhersagen betreffend erwartbarer Fragmentmuster basierend auf gegebenen Ausgangsstrukturen zu treffen. Zweitens ruft Modul MS²KOSMOSGenerator automatisch jenem ersten System auf losgelöst davon große Mengen alternativer Varianten parallelisieren lassen kann schließlich drittens kümmert sich Mapperkomponente darum praktisch auftretende realweltliche Fragestellungen schnellstmöglich lösen helfen indem relevante Nachbarschaftsbereiche gefunden werden sollen sobald einmal vorbereitende Rechenoperationen abgeschlossen sind genügt danach lediglich feinjustiertes精算verfahren angewandt zu brauchen.
Wobei DeepMS²Reasoner die Fähigkeit zur Vorhersage von Massenspektren des gesamten Systems bestimmt. Es lernt nicht direkt „welche Peaks zu einem Molekül gehören und wie stark sie sind“, sondern simuliert ausgehend vom Vorläufermolekül schrittweise den Fragmentierungsprozess und baut dynamisch einen gerichteten azyklischen Graphen (Directed Acyclic Graph, DAG) auf. Die Knoten im Diagramm repräsentieren verschiedene Fragmente, während die Kanten spezifische Fragmentierungsaktionen darstellen. Das Modell berücksichtigt drei Arten von Mechanismen: lineare Bindungsbrüche, Ringbindungsbrüche und Eliminierungen; es zeichnet zudem Ladungsänderungen und Wasserstoffverschiebungen nach und legt keine vorab festgelegte Tiefe der Fragmentierung fest. Daher kann es komplexe Fragmente abbilden, deren Bildung mehrstufige Bindungsbrüche, Ringöffnungen oder Umlagerungen erfordert.
Die Auswahl der Fragmentierungspfade obliegt dem neuronalen Netzwerkkomponenten ALEA (Action Likelihood Estimator Advisor). ALEA nutzt eine Graphormer-Architektur und weist basierend auf Atomen, chemischen Bindungen, Ringsystemen und Hydrogenzuständen aktueller Fragmente sowie experimentellen Bedingungen wie Stoßenergie, Instrumententyp und Adduktionen verschiedenen Fragmentierungsaktionen und dem „Stoppen der Fragmentierung“ Wahrscheinlichkeiten zu. DeepMS²Reasoner propagiert diese Wahrscheinlichkeiten entlang der Fragmentierungspfade, wobei die kumulierten Stoppwahrscheinlichkeiten jedes Fragments schließlich die Intensität der entsprechenden Massenspektralpeaks ergeben.
Neuronale Netze entscheiden, welcher Pfad wahrscheinlicher ist, während chemische Regeln bestimmen, welche Pfade überhaupt zulässig sind. Nach jedem Schritt wird das System anhand chemischer Constraints – etwa molekularer Konnektivitäten und Wasserstoffbilanzierungen – überprüft; unplausible Fragmentierungen werden von weiteren Berechnungen ausgeschlossen. Fragmente mit identischer Struktur und chemischem Zustand werden zusammengefasst, um redundante Suchvorgänge zu reduzieren. Bei Zweigen mit sehr niedrigen Wahrscheinlichkeiten setzt das Modell die Expansion ebenfalls aus, wodurch vermieden wird, dass alle exponentiell wachsenden Fragmentierungspfade bei steigender molekularen Komplexität vollständig abgearbeitet werden müssen.
Im Trainingsprozess lernen hauptsächlich Parameter für ALEA; andere Fragmentierungsoperationen und Bewertungen der chemischen Plausibilität erfolgen über deterministische Regeln. Zur Messung der Abweichung zwischen vorhergesagtem und experimentellem Spektrum verwendet das Modell die Kullback-Leibler-Divergenz und integriert Regularisierungsbeschränkungen: Wenn mehrere Mechanismen denselben Peak erklären können, wird leichtenlinearem Bruch leicht Vorrang eingeräumt. Zudem kommt Curriculum Learning zum Einsatz: Zunächst werden kleinere Moleküle mit einfacheren Fragmentierungswegen trainiert, anschließend sukzessive größere und komplexere Verbindungen hinzugefügt, sodass das Modell zunächst allgemein übertragbare lokale Fragmentierungsmuster erlernen kann.
DeepMS²Reasoner löst das Problem der „Vorhersage eines Massenspektrums aus einer Struktur“, während MS²KOSMOS zusätzlich adressiert, „wie man in Milliarden von Molekülen sucht“. Der MS²KOSMOSGenerator stellt jede spektrale Vorhersage als dünnbesetzten Vektor dar, der sich aus Summenformeln fragmentierter Moleküle zusammensetzt, und erstellt daraufhin ein Inverted Index. Bei unbekannten Spektren muss das System nicht einzeln Millionen von Kandidaten vergleichen; stattdessen identifiziert es zunächst solche Kandidaten, die gemeinsame Fragment-Zusammensetzungen mit dem Suchspektrum teilen. Anschließend führt MS²KOSMOSMapper unter Berücksichtigung tatsächlicher experimenteller Bedingungen (z.B. Stoßenergien) erneut gezielte Vorhersagen für die Kandidatenspektren durch, sortiert sie entsprechend zurück und liefert zugleich die zugehörigen Fragmentierungs-DAGs.
Von der Vorhersage von Massenspektren bis hin zur Aufklärung unbekannter Moleküle
Zunächst wurde DeepMS²Reasoner an grundlegendsten Aufgaben zur Massenspektrvorhersage evaluiert. Im unabhängigen Testdatensatz NIST 2020 erreichte die durchschnittliche Kosinusähnlichkeit zwischen vorhergesagten und experimentellen Spektren einen Wert von 0,83, Medianwert lag bei 0,89; andere Vergleichsmodelle lagen im Bereich von 0,61–0,75. Unabhängig davon zeigten DeepMS²Reasoners Ergebnisse auch auf den völlig separaten Datensätzen CASMI 2022 und MassSpecGym Durchschnittswerte von jeweils 0,67 bzw. 0,59 – beides Spitzenwerte aller teilnehmenden Modelle. Am Beispiel von CASMI zeigte sich, dass in über 40 % der Proben DeepMS²Reasoner diejenige Spektrvorhersage lieferte, die allen Vergleichsmodellen am nächsten am experimentellen Ergebnis war.
Schwieriger als bloße Spektrvorhersagen ist jedoch die Umkehrung dieser Aufgabe: Ausgemacht reale Strukturen gegen viele ähnlich gewichtete und strukturell ähnliche Kandidatenmoleküle suchen. Beim vollständigen Isomer-Test von CASMI betrug die Genauigkeit von DeepMS²Reasoner für Top-1-, Top-10- und Top-50-Ergebnisse jeweils 35,6 %, 64,4 % und 79,8 %. Dabei lagen sowohl Top-1 als auch Top-10 um mehr als zehn Prozentpunkte über denen des zweitplatzierten Modells FraGNNet.
Fähigkeiten zur Behandlung multipler Schritte wurden exemplarisch an konkreten Molekülen validiert. Für Biotin beispielsweise beträgt die gemessene Kosinusähnlichkeit zwischen vorhergesagter und tatsächlich gemessener Datenreihe 0,88. Einige wichtige Fragmente lassen sich nicht durch einzelne Bindungsbrüche erzeugen, sondern benötigen kontinuierliche Prozesse wie Gruppenelimination, Ringöffnung und weitere Sekundärfragmentierungen. Das Modell gibt präzise Mehrschrittpfade wieder und sagt je nach Änderung der Stoßenergie unterschiedlich weit fortgeschrittene Fragmentgrade voraus.
Leistungsfähigkeit der Massenspektrvorhersage mittels DeepMS²Reasoner
Anschließend wandte die Forschung AIMe zur eigentlichen Entschlüsselung unbekannter Metaboliten an. Bezogen auf 111 unidentifizierte mikrobiotaabhängige Signale aus Mausmetabolomdaten konnten rund ein Drittel mithilfe von MS²KOSMOS hochgradig ähnlichen Übereinstimmungen bekannten Chemikalien zugeordnet werden; der Rest deutete eher noch nicht beschriebene Strukturen hin.
Die Forscher wählten weiterhin zwei unbekannte Substanzen zur Strukturaufklärung aus. Basierend auf den Fragmentstrukturen, die von AIMe bereitgestellt wurden, kombinierten sie verschiedene Kandidatenmoleküle und sagten deren MS²-Spektren vorher, um diese mit den experimentellen Ergebnissen zu vergleichen. Für einen der beiden unbekannt Stoffe erreichte das beste initiale Kandidatenspektrum bereits eine Cosinus-Ähnlichkeit von 0,79, jedoch fehlten noch einige entscheidende Fragmente des Experiments. Das Forschungsteam berücksichtigte daher weiter cyclische Strukturen und fokussierte sich auf ein seltenes makrocyclisches Sperminderivat. Durch chemische Synthese und Vergleich der Retentionszeiten sowie der MS²-Spektre wurden beide Kandidatenstruktuen schließlich bestätigt; darunter befand sich auch eine Polyaminstruktur, die zuvor weder bei Mäusen noch beim Menschen beschrieben worden war. Weitere Suchen zeigten, dass mehrere verwandte Metaboliten ebenfalls in humanen Proben vorhanden sind.
Schließlich hat das Forschungsteam AIMe auf über 7,14 Millionen konsensierte Massenspektren der GNPS-Datenbank erweitert. Mit einem Schwellenwert für die Cosinus-Ähnlichkeit von 0,7 erhielten etwa 2,69 Millionen Spektren kandidatische Annotationen, was rund einem Drittel aller Abfragen entspricht; nach Anhebung dieses Schwellenwerts auf 0,8 kamen weitere ca. 1,27 Millionen hochähnliche Annotationen hinzu, welche mehr als 26 Millionen bisher unannotierte Originalspektren in GNPS abdecken. Somit wurde der Anwendungsbereich von AIMe von der Vorhersage einzelner molekularer Massenspektren hin zur Annotation unbekannter Substanzen im Maßstab einer gesamten Datenbank ausgeweitet.
*Massehafte Annotationsergebnisse von AIMe auf der GNPS-Datenbank*
Diese Ergebnisse bedeuten nicht, dass die Identifizierung kleiner Molekülstrukturen vollständig automatisiert ist. Mit steigender Molmasse nehmen mögliche Zerfallspfade deutlich zu, während die Trainingsdaten eine relativ geringe Abdeckung großer Moleküle bieten, wodurch die Leistungsfähigkeit von DeepMS²Reasoner weiterhin sinkt. Noch wichtiger ist jedoch, dass MS² allein meist nicht ausreicht, um die endgültige Strukturbestätigung abzuschließen. Gemäß den Standards der Metabolomik gehören die von AIMe gelieferten Ergebnisse ohne unabhängige Beweise wie Retentionszeit, NMR oder Referenzstandards primär zur Kategorie „Level 3“-Annotation; ihre Hauptaufgabe liegt darin, den Raum möglicher Kandidaten einzuschränken, strukturelle Hypothesen vorzuschlagen und die Begründung für bestimmte Fragmentierungen darzulegen – die finale Bestätigung erfordert stets experimentelle Validierung.
Zum Abschluss
Der eigentliche Wert von AIMe besteht nicht nur in einer weiteren Steigerung der Genauigkeit der Massenspektrenvorhersage, sondern darin, versucht, die Art und Weise der Analyse unbekannter kleiner Moleküle grundlegend zu verändern. In der Vergangenheit hatten Forscher angesichts eines unbekannten Spektrums oft kaum andere Möglichkeiten, als direkt passende Einträge innerhalb begrenzter experimenteller Bibliotheken zu suchen; AIMe hingegen nutzt Modelle zunächst dazu, den bekannten Raum kleiner organischer Moleküle in einen durchsuchbaren Raum vorhergesagter Massenspektren zu transformieren und reduziert dann schrittweise den Kreis der möglichen Kandidaten anhand von Fragmentstrukturen und -wegen. Obwohl es Standardsubstanzen, NMR und andere experimentelle Verifikationsmethoden derzeit noch nicht ersetzen kann, eröffnet es doch zahlreiche Signale, die aufgrund des Fehlens referenzieller Spektren schwer weiterzuverfolgen waren, neue Perspektiven für die Nachverfolgung.
Für die Metabolomik könnte dies sogar bedeutender sein als bloß die Erweiterung bestehender spektraler Datenbanken: Unbekannte Massenspektren haben nunmehr nicht mehr ausschließlich binäre Resultate („passend“ oder „nicht passend“), sondern können vielmehr zum Ausgangspunkt werden, um strukturelle Hypothesen zu formulieren und zu überprüfen.
