Machine learning techniques of de-novo molecular formula reconstruction from its mass spectrum

Bc. Adam Hájek

Master's thesis

Abstract:

Hmotnostní spektrometrie je metoda analytické chemie, která analyzuje molekuly pomocí jejich fragmentace a následného změření hmotnosti vzniklých fragmentů. Tato diplomová práce se zabývá úkolem rekonstrukce molekulární struktury z GC-EI-MS spekter a to metodou de novo. Tato metoda se zaměřuje na případy, kdy analyzovaná molekula dosud nebyla pomocí spektometru změřena a není tudíž součástí žádné referenční databáze. V práci představujeme SpecTRUM, nový model, který využívá architekturu encoder-decoder transformeru k přímému překladu hmotnostních spekter do řetězců SMILES. Mezi hlavní přínosy této práce patří kromě teoretického přehledu také návrh, implementace, trénink a vyhodnocení modelu SpecTRUM. Demonstrujeme, že náš model dosahuje vysoké přesnosti při rekonstrukci nových molekulárních struktur a porovnáváme jeho výsledky s výsledky standardního databázového vyhledávání a příbuzných metod pracujících na MS/MS spektrech. Podle nám dostupných informací je SpecTRUM prvním modelem, který se zabývá de novo rekonstrukcí GC-EI-MS spekter, a stanovuje tak nový nejlepší výsledek v této oblasti.

Abstract:

Mass spectrometry is an analytical chemistry technique that analyzes molecules by fragmenting them and measuring the weights of these fragments. This diploma thesis addresses the task of molecular structure elucidation from GC-EI-MS spectra de novo, meaning we do not have a reference spectrum of this molecule from a different experiment. The task aims to reverse the process of molecular fragmentation in a mass spectrometer and to reconstruct the original molecule. We introduce SpecTRUM, a novel model that uses an encoder-decoder transformer architecture to translate mass spectra directly into SMILES strings. The main contributions of this thesis, beyond the theoretical background, include the design, implementation, training, and evaluation of the SpecTRUM model. We demonstrate the model's strong performance in reconstructing novel molecular structures and compare its results with those of the standard database search and related methods operating on MS/MS spectra. To the best of our knowledge, SpecTRUM is the first model to address the de novo reconstruction of GC-EI-MS spectra, establishing a new state-of-the-art in this task.

Keywords

mass spectrometry, gas chromatography, GC-EI-MS, molecular structure elucidation, de novo, machine learning, deep neural networks, transformer, encoder-decoder, neural machine translation

Language used: English

Date on which the thesis was submitted / produced: 21. 5. 2024

Thesis defence

• Date of defence: 19. 6. 2024
• Supervisor: Mgr. Aleš Křenek, Ph.D.
• Reader: doc. Mgr. Bc. Vít Nováček, PhD

Masaryk University

Faculty of Informatics

Master programme / field:
Artificial intelligence and data processing / Machine learning and artificial intelligence