Nat Commun｜林树海/蔡宗苇/曾珺合作开发新型脂质组学AI模型LipidIN

正文

请到「今天看啥」查看全文

8923 种脂质，同时整合 谱图再生成 网络 （ WMYn ） 通过深度学习重构脂质碎片特征图谱，使目标分子召回率提升 20% 。在临床队列研究中， LipidIN 已成功应用于脂质注释与生物标志物发现，其标准化分析流程显著提升了跨平台数据的可比性与可重复性。

图 1 . L i pidIN 计算框架。

在研究结果部分，本文对 LipidIN 的性能进行了全面评估，并将其与现有的分析工具 MS-DIAL ， LipidSearch ， Spectral Entropy ， LipidMatch 进行了比较。该 基准 实验 使用了 NIST 1950 标准品 和多篇高影响力的文章数据集 。

以下是具体分析的几个要点：

1. 注释速度

为验证 目标任务体量 对匹配速度的影响，研究团队在低内存个人计算机 （单线程 CPU 环境） 上使用公开数据集 （ MetabolomicsWorkbench ST001794 ） 进行测试，对比 EQ 算法与 Flash Entropy 在不同规模 MassBank 理论谱库中的性能表现。

结果显示 ， 当谱库规模达到千万级时， EQ 算法保持稳定匹配速度 （完成 1000 万次 搜库 仅需 2.3 微秒） ，而 Flash Entropy 在百万级 搜库 时单次 MS2 匹配耗时增至 0.14 秒，速度下降显著。得益于哈希表与二分法的联合优化， EQ 算法可在 0.23 毫秒内完成十亿次 MS2 谱图比对 （每秒可完成超过 4 万 亿次谱图比对） ，在使用百万级谱库时较 Flash Entropy 提速约 6 万倍。

2. 注释覆盖度

为验证算法性能，研究团队采用已公开数据集 （ MetabolomicsWorkbench ST001794 、 ST00 2384 ） 对比了 MS-DIAL 、 LipidSearch 、 Spectral Entropy 、 LipidMatch 等常用小分子化合物注释工具。

实验显示， EQ 模块结合 MS-DIAL 公共数据库在 Top-20 候选列表中实现约 70% 召回率 （召回率定义为工具与文献注释交集数 / 文献总注释数） ，而联合 LCI 模块的四级分层谱库策略，将召回率提升至 90% 以上。

请到「今天看啥」查看全文