Die Massenspektrometrie spielt eine zentrale Rolle bei der Aufklärung der Strukturen unbekannter Moleküle und damit bei nachfolgenden wissenschaftlichen Entdeckungen. Eine Formulierung der Strukturaufklärungsaufgabe besteht in der bedingten de-novo-Generierung molekularer Strukturen anhand eines Massenspektrums. Um einen präziseren und effizienteren wissenschaftlichen Entdeckungsprozess für kleine Moleküle zu ermöglichen, stellen wir DiffMS vor – ein formelbeschränktes Encoder-Decoder-Generativnetzwerk, das auf dieser Aufgabe state-of-the-art-Leistung erzielt. Der Encoder nutzt eine Transformer-Architektur und modelliert Domänenwissen aus dem Massenspektrometrie-Bereich, wie beispielsweise Peak-Formeln und neutrale Verluste. Der Decoder ist ein diskreter Graph-Diffusionsmodell, das durch die Schweratomzusammensetzung einer bekannten chemischen Formel eingeschränkt ist. Um einen robusten Decoder zu entwickeln, der latente Embeddings mit molekularen Strukturen verbindet, prätrainieren wir den Diffusionsdecoder mit Fingerprint-Struktur-Paaren, die im Vergleich zu Struktur-Spektrum-Paaren, deren Anzahl in der Größenordnung von Zehntausenden liegt, praktisch unendlich verfügbar sind. Umfassende Experimente an etablierten Benchmarks zeigen, dass DiffMS bestehende Modelle bei der de-novo-Generierung von Molekülen übertrifft. Wir führen mehrere Ablationen durch, um die Wirksamkeit unseres Diffusions- und Prätrainingsansatzes zu demonstrieren, und zeigen eine konsistente Leistungssteigerung mit zunehmender Größe des Prätrainingsdatensatzes. Der DiffMS-Code ist öffentlich unter https://github.com/coleygroup/DiffMS verfügbar.