跳到主要内容
返回时间线
bioRxiv来源发表:

质谱峰不必先定结构:Spec2Function直接从二级谱读出代谢功能,肝病差异峰可解释比例从四分之一扩大

核心概要

非靶向代谢组学长期依赖先鉴定结构再做通路分析,而谱库不全使大量差异峰无法进入下游解释。Spec2Function把二级质谱与HMDB整理的多方面功能文本用双编码器对比学习对齐到同一功能空间,推理时不再要求查询谱有结构注释,再借检索增强生成给出有文献依据的功能摘要。在肝硬化和30组织猕猴衰老数据上,它覆盖了结构注释之外的谱峰并给出可跨物种对照的功能模块。

Source-provided article image: Deciphering the Biological Function of Tandem Mass Spectra Using a Dual-Modal Metabolite Language Model
Fig. 1 · bioRxiv · 第 6 页

深度剖析

非靶向液相色谱-串联质谱代谢组学可以在没有结构注释的情况下,直接从二级质谱推断代谢物的生物学功能,而不必等结构鉴定完成后再做通路分析。 常规流程先给谱峰定结构,再对已鉴定子集做通路或功能分析;谱库不完整、结构异构体和仪器差异使只有少数峰能获得可信结构注释,其余成为难以解释的“功能暗物质”。 在肝硬血浆数据集的442个差异二级谱峰中,依赖鉴定的流程只能为113个(25.6%)给出结构,Spec2Function则对全部442个谱峰输出功能图景,并复现肝脂质、固醇和胆固醇代谢紊乱等已知改变。

做法是把二级质谱和描述代谢物功能的自然语言放进同一个向量空间,让谱图可以直接检索功能文本。 两个编码器分别处理谱图和文本:谱图编码器基于MSBERT,把归一化后的质荷比与强度序列变成定长向量;文本编码器基于SPECTER,把HMDB字段按模板生成的功能文本编码成同维向量。 训练用对比学习拉近匹配的谱图-文本对、推远不匹配对,共使用2,332,722个谱图-文本对;推理时用余弦相似度在FemDB的2,515,806条功能嵌入中检索,低于0.65阈值时返回证据不足而不作预测。

检索到的功能片段连同PubMed文献一起交给大语言模型,生成有出处的功能摘要,而不是让模型凭空描述谱图。 单谱模式取最相似的功能片段并检索相关文献;集合模式先对谱图嵌入做无监督聚类,把每个簇当作一个功能模块,再汇总成整体生物学概览。 在时间留出基准上,用HMDB v4冻结训练与检索资源、以v5新增的673个代谢物(7,153张正离子二级谱)测试,Spec2Function平均相似度0.723,高于DeepSeek-V3的0.717、CSU-MS2的0.679、随机对照的0.666和GNPS的0.649。

启示与展望

演示范围是正离子模式二级谱:外部验证集404个代谢物、时间留出的673个v5代谢物、27条通路、四种人体体液,以及肝硬化和30组织雌性猕猴衰老两个真实数据集;作者明确把它定位为与结构鉴定流程并行、用于优先排序生物信号的补充路线,而非替代鉴定。

功能嵌入与检索空间受HMDB整理文本的覆盖和质量限制,研究不足的代谢物和远离已知知识空间的化学区域可能缺乏支持;当前实现限于正离子且以人为中心,作者不假定对物种特异代谢组等效;碎片严重丢失或畸变会降低检索支持并触发弃答;大语言模型生成的解释应视为有证据支撑的功能假设,而非确定的机制归属。