mass spectrometry
PulseAugur coverage of mass spectrometry — every cluster mentioning mass spectrometry across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
AI引导的空间蛋白质组学识别癌症复发风险微环境
研究人员开发了一种新颖的AI驱动框架，用于分析三阴性乳腺癌（TNBC）的空间蛋白质组学。该方法将AI生成的复发风险热图与质谱数据相结合，以识别肿瘤内不同的分子状态。研究表明，高风险区域与有丝分裂程序相关，而低风险区域与免疫激活相关，突显了显著的瘤内异质性。这种AI引导的方法有潜力改进用于预测癌症复发的多尺度生物标志物的发现。
-
新型图神经网络'GenShin'简化了用于药物递送的脂质体设计
研究人员开发了GenShin，一种用于预测脂质纳米颗粒上蛋白质冠组成的创新图神经网络。该方法旨在通过对脂质-血浆蛋白相互作用进行排名来指导这些纳米颗粒的合理设计，以实现靶向药物递送，而无需依赖计算密集型的对接姿态。GenShin在化合物-蛋白质亲和力数据上进行了预训练，并使用脂质体蛋白质-冠丰度测量数据进行了微调，为大型脂质候选空间提供了一种实用的筛选策略。
-
AI模型在预测小分子结构方面表现不佳
当前的机器学习模型在分析质谱数据时，难以准确预测小分子的结构。研究表明，在这一特定任务中，这些先进模型的效果往往不如简单的基线方法。这一发现凸显了人工智能在复杂化学结构阐明应用中的不足。
-
MemNovo通过重新平衡频谱数据改进肽段测序
研究人员开发了MemNovo，一种改进质谱数据从头肽段测序的新机制。现有的基于Transformer的模型经常过度依赖生成的序列而非频谱证据。MemNovo通过创建频谱记忆库并在解码过程中注入检索到的特征来解决这个问题，从而重新平衡贡献。这种方法以最小的计算成本显著提高了肽段测序的精度。
-
LLM框架MetaboT简化代谢组学数据分析
研究人员开发了MetaboT，一个开源的多智能体框架，利用大型语言模型（LLMs）简化基于质谱的代谢组学数据的分析。该框架将自然语言查询转换为代谢组学知识图谱的SPARQL查询，克服了专业查询语言陡峭的学习曲线。MetaboT采用模块化架构，配备专门的智能体来验证范围、解析实体、生成模式感知查询和解释结果，从而减轻了LLM常见的局限性，如幻觉和模式不合规。该系统在实验天然产物知识图谱（ENPKG）上使用专家编写的基准进行了验证，证明了…