Predicting molecular structures from multi-stage MSn fragmentation trees using graph neural networks and DreaMS foundation model

Bc. Filip Jozefov

Diplomová práce

Anotace:

Metabolomika sa snaží identifikovať a porozumieť malým molekulám, ktoré riadia biologické systémy, avšak veľká časť týchto molekúl zostáva neznáma. Tandemová hmotnostná spektrometria (MS/MS) je hlavnou technológiou na identifikáciu štruktúr metabolitov vo veľkom meradle, avšak interpretácia spektrálnych údajov býva často nejednoznačná a neúplná. Výsledkom je, že väčšina MS/MS dát zostáva neanotovaná, čo zanecháva veľkú časť tzv. „tmavého metabolómu“ nepreskúmanú. Hoci strojové učenie dosiahlo pokrok v oblasti molekulárnej anotácie, súčasné modely sa zvyčajne spoliehajú iba na jednu úroveň fragmentácie (MS2), čo obmedzuje ich schopnosť zachytiť hlbšie štruktúrne informácie. Navrhujeme nový prístup: začlenenie viacstupňovej fragmentácie MSn, pri ktorej sa molekuly fragmentujú v niekoľkých po sebe idúcich krokoch za účelom odhalenia hlbších vrstiev ich štruktúry, s cieľom zlepšiť molekulárnu anotáciu. Na tento účel sme vyvinuli prvé neurónové siete trénované na spektrách MSn, ktoré kombinujú grafové neurónové siete s DreaMS, univerzálnym modelom na tvorbu spektrálnych vektorových reprezentácií. Tieto modely hodnotíme v dvoch kľúčových úlohách: vyhľadávanie molekulových štruktúr v množinách kandidátov a de novo generovanie štruktúr. Naše výsledky ukazujú, že viacstupňová fragmentácia zvyšuje presnosť vyhľadávania až desaťnásobne v porovnaní s použitím iba MS2. Navyše, hlbšie úrovne MSn poskytujú bohatšie a informatívnejšie spektrálne reprezentácie, čo potvrdzuje analýza pomocou metódy CKA (centered kernel alignment). Na podporu ďalšieho výskumu predstavujeme MassSpecGymMSn, prvý otvorený benchmark pre anotáciu molekúl založenú na MSn dátach. Obsahuje 16 476 fragmentačných stromov (až po úroveň MS5), spolu s nástrojmi na predspracovanie, a bude voľne dostupný na urýchlenie pokroku v tejto oblasti.

Abstract:

Metabolomics seeks to identify and understand the small molecules that drive biological systems, yet a large portion of these molecules remain unknown. Tandem mass spectrometry (MS/MS) is the primary technology for identifying metabolite structures at scale, but the process of interpreting spectra is often ambiguous and incomplete. As a result, the majority of MS/MS data remains unannotated, leaving much of the “dark metabolome” unexplored. While machine learning has made progress in molecular annotation, current models typically rely on a single stage of fragmentation (MS2), limiting their ability to capture deeper structural information. We propose a new direction: incorporating multi-stage MSn fragmentation data, where molecules are fragmented in successive rounds to reveal deeper structural layers, to enhance molecular annotation. To investigate this, we develop the first neural network models trained on MSn spectra, combining graph neural networks with DreaMS, a foundation model for mass spectral embeddings. We benchmark these models on two key tasks: molecular structure retrieval from candidate sets and de novo structure generation. Our results show that multi-stage fragmentation improves retrieval accuracy by up to 10x compared to MS2 alone. Furthermore, deeper MSn levels produce richer and more informative spectral representations, as confirmed through centered kernel alignment (CKA) analysis. To support continued progress, we introduce MassSpecGymMSn, the first open benchmark for MSn-based molecular annotation. It includes 16,476 fragmentation trees (up to MS5), along with preprocessing tools, and will be made publicly available to advance research in this area.

Keywords

deep learning, mass spectrometry, benchmark, multi-stage mass spectrometry, dataset, metabolomics

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 21. 5. 2025

Obhajoba závěrečné práce

• Obhajoba proběhla 17. 6. 2025
• Vedoucí: Mgr. Aleš Křenek, Ph.D.
• Oponent: Ph.D. Helge Hecht, M.Sc.

Masarykova univerzita

Fakulta informatiky

Magisterský studijní program / obor:
Umělá inteligence a zpracování dat / Zpracování a analýza rozsáhlých dat