FastEI论文阅读

前言

研究FastEI（Ultra-fast and accurate electron ionization mass spectrum matching for compound identification with million-scale in-silico library）有很长时间了，现在来总结一下，梳理一下认知。PS：为什么要加红呢，这是一个重点，即EI-MS，作者使用的是一级谱。

论文地址：https://www.nature.com/articles/s41467-023-39279-7，Github项目地址：https://github.com/Qiong-Yang/FastEI。

概要

这篇文章做的工作是小分子质谱匹配，就是说给定一个小分子的质谱，然后根据这个质谱到数据库中检索与它相近的质谱，并返回相应的分子信息。FastEI取得的成绩就是在较大的数据集上（in-silico library，数据量是百万级别）取得了较好的效果：Top10的召回率是80.4%，Top1的召回率是36.7%。此外作者还做了个检索程序，可以在电脑上运行。

架构

模型需要分为两条线来说，一条线是查询：给定查询的实验谱（Query spectrum），将实验谱经Word2vec模型转化为嵌入向量（Spectral embeddings），用嵌入向量进行匹配，返回近似结果；另一条线是建库：给定分子信息，经NEIMS模型转化为预测谱（分子信息和预测谱存入数据库中），再转化为嵌入向量，用嵌入向量构造检索架构（HNSW）。

模型

下面来分别介绍一下用来生成预测谱的NEIMS、将质谱转化为嵌入向量的Spec2vec、加速检索速度的HNSW。

NEIMS

NEIMS的全称是Neural Electron-Ionization Mass Spectrometry，论文地址：https://pubs.acs.org/doi/full/10.1021/acscentsci.9b00085。这个模型的原理就是先调用rdkit生成ECFPS分子指纹（关于ECFPS，可以去看这个博客：https://www.jianshu.com/p/8167a050debc），然后使用全连接神经网络去预测它的质谱。这个项目的Github地址：https://github.com/brain-research/deep-molecular-massspec。顺便吐槽一下：这是个19年的陈年老项目，用的是tensorflow1.13.2，然后Contributors也不解答issue了。

Spec2vec

Spec2vec这个方法脑洞确实比较大，其作者是收到自然语言处理Word2vec的启发，将质谱的每一个峰表示为“Peak@m/z”这一word，然后再将这个word转化为vector。我觉得这样做的信息损耗也太大了，直接将质谱信息转化为vector不好吗？论文地址：https://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1008724，Github项目地址：https://github.com/iomega/spec2vec。

HNSW

HNSW的全称是Hierarchical Navigable Small-World graph，意为分层可导航小世界图，是用来快速检索的。要快速检索的原因是数据量比较大，你不可能去一一比对。它是一个贪心算法：从顶层到底层，向量逐层增加；从顶层进入，找到最近邻，向下深入，再找最近邻……一直找到底层的最近邻，将底层的Topk最近邻返回。论文地址：https://ieeexplore.ieee.org/abstract/document/8594636，Github项目地址：https://github.com/nmslib/hnswlib。

数据

这个项目用到了三大数据集，分别是NIST2017、HMDB和ChEMBL 28。其中NIST是付费的，需要用到它的验证集和测试集，其余用NEIMS生成预测谱就可以。除了这三大数据集，还有10种作者提出了四大过滤原则，分别是分子质量≤1000道尔顿、只含11种元素（H, C, O, N, P, S, Cl, F, Br, I, Si）、非离子化合物、LogP∈[-12,24]。