《Nature Communications》：Cross ionization mode chemical similarity prediction between tandem mass spectra in metabolomics
编辑推荐：
本研究针对代谢组学中正负电离模式质谱数据难以直接比较的难题，开发了基于机器学习的MS2DeepScore 2.0模型。该模型能够预测不同电离模式间质谱图的化学相似性，并通过质量估计方法确保预测可靠性。研究成功实现了跨电离模式分子网络分析，为代谢物注释提供了新工具，显著提升了非靶向代谢组学的数据解析能力。
在当代生命科学研究中，代谢组学作为系统生物学的重要分支，正发挥着越来越关键的作用。通过分析生物体内小分子代谢物的整体变化，科学家能够揭示生物体在生理、病理或外界刺激下的代谢响应机制。质谱技术，特别是串联质谱技术，已成为非靶向代谢组学研究不可或缺的工具。然而，一个长期存在的技术瓶颈制约着该领域的进一步发展——正负电离模式产生的质谱数据之间存在显著差异，导致跨模式比较困难重重。
问题的根源在于，同一化合物在不同电离模式下会产生截然不同的碎片离子模式。这种差异使得传统相似性评分方法难以准确评估不同电离模式质谱图之间的化学相关性。正如自然界中物体在不同光照下会呈现不同阴影，代谢物在正负电离模式下展现的"化学指纹"也各具特色。这种技术局限直接影响了分子网络等数据分析方法的效果，导致代谢物注释的完整性和准确性受到限制。
为了突破这一技术壁垒，研究团队开发了MS2DeepScore 2.0这一创新性解决方案。该研究成果已发表于《Nature Communications》期刊，为代谢组学研究提供了新的方法论支持。
关键技术方法主要包括：基于深度学习架构的质谱图相似性预测模型开发，涵盖正负电离模式的质谱数据集构建，以及针对低信息量谱图的质控评估方法建立。研究使用了来自公共数据库的标准化质谱数据作为训练和测试集。
研究结果部分展示了该方法的多方面优势：
跨电离模式相似性预测
通过对比实验验证，MS2DeepScore 2.0能够准确预测不同电离模式质谱图之间的化学相似性，其性能显著优于传统方法。模型通过学习大量已知化合物的质谱特征，建立了跨模式的映射关系。
分子网络应用
在实际案例中，该方法成功实现了跨电离模式的分子网络构建，将原本分离的正负模式数据整合到统一的化学空间中进行可视化分析，显著提升了代谢物家族识别的完整性。
质量估计保障
研究还开发了配套的质量估计方法，能够自动识别信息量不足或与训练数据差异过大的质谱图，有效降低了错误预测的风险，确保了分析结果的可靠性。
代谢物注释增强
通过整合跨模式信息，该方法能够提供更全面的代谢物结构线索，特别是在鉴别同分异构体和结构类似物方面表现出独特优势。
综上所述，MS2DeepScore 2.0的创新性在于突破了传统质谱数据分析的局限，首次实现了不同电离模式质谱图之间的直接化学相似性评估。这一技术进步不仅解决了代谢组学数据分析中的长期难题，更为复杂生物样本的深入解析提供了新的技术路径。随着代谢组学在疾病诊断、药物开发等领域的应用日益广泛，该方法的推广使用将有力推动精准医学和相关生命科学研究的发展。
