MassSpecGym
PulseAugur coverage of MassSpecGym — every cluster mentioning MassSpecGym across labs, papers, and developer communities, ranked by signal.
-
新框架提高AI在分子结构检索预测中的可信度
研究人员开发了一个用于质谱分子结构检索中选择性预测的新框架，旨在提高机器学习预测在关键应用中的可信度。该框架在MassSpecGym基准上进行了评估，通过分析输入、指纹和检索层面的不确定性，将低风险预测与低置信度预测分开。研究发现，检索层面的不确定性是拒绝不可靠预测的最强标准，而一阶置信度度量则提供了有效的基线。这种方法允许从业者指定可接受的错误率，并获得高概率满足该约束的标注子集。
-
FRIGID框架加速AI驱动的分子结构解析
研究人员推出FRIGID，一个旨在提高利用质谱数据进行分子结构解析的速度和准确性的新框架。FRIGID采用了一种新颖的扩散语言模型，该模型根据质谱、中间指纹表示和确定的化学式生成分子结构。这种方法允许在数百万个未标记的结构上进行训练，并通过识别和精炼与光谱不一致的片段来扩展推理时间。FRIGID在MassSpecGym基准测试上实现了超过18%的Top-1准确率，在NPLIB1上将领先方法的准确率提高了两倍，并表现出与计算量对数线性相…
-
MS-GPT模型推进从质谱图进行从头分子结构解析
研究人员开发了MS-GPT，这是一种新颖的分子语言模型，用于从串联质谱（MS/MS）数据中进行从头结构解析。与依赖参考库或预定义候选物的方法不同，MS-GPT直接从频谱图生成分子结构。它将问题重新构想为频谱诱导后验查询，将语言模型条件化为指纹和分子式。该模型在NPLIB1和MassSpecGym数据集上取得了最先进的性能，证明了在识别分子结构方面的准确性有所提高。
-
GLACIER模型将质谱预测重新构想为目标检测
研究人员开发了GLACIER，一种新颖的基于Transformer的神经网络，它将质谱预测重新构想为分子图上的目标检测问题。这种单阶段方法消除了对候选碎片枚举的需求，与以前的两阶段模型相比，提高了准确性并显著缩短了推理时间。GLACIER在MassSpecGym和NIST'20等基准数据集上取得了最先进的成果，展示了其在分析化学、代谢组学和系统生物学中的应用潜力。
-
AI化学家在药物发现领域取得突破，新基准突出代理的局限性
OpenAI展示了一种近乎自主的AI化学家，由GPT-5.4驱动并与Molecule.one的Maria集成，成功改进了一项具有挑战性的药物制造反应。该AI系统将Chan Lam偶联的产率提高了80%以上的测试底物，标志着药物化学研究的重大进展。同时，arXiv的一项新研究引入了MassSpecGym v1.5和TxBench-PP等基准，以严格评估AI代理在分子发现和临床前药理学中的表现，突出了AI驱动的药物开发中当前的局限性和潜在的陷阱。
-
MSAlign框架通过匹配基础模型改进代谢物鉴定
研究人员推出MSAlign，一个旨在从质谱数据中改进代谢物鉴定的新框架。该方法使用轻量级MLP投影来匹配预训练的质谱（DreaMS）和分子（ChemBERTa）基础模型。MSAlign在各种基准测试中表现出卓越的性能，并通过提供统一的实现以及公开数据集和代码来解决可重复性问题。