MS2MetGAN: Metabolitenidentifikation mit latenter adversarialer Technik

Ein neues Tool namens MS2MetGAN verspricht, die Identifikation von Metaboliten aus Tandem-Massenspektromen (MS/MS) deutlich zu verbessern. Durch die Kombination von Autoencodern und generativen adversarialen Netzwerken (GANs) wird die Übereinstimmung von Spektren und Metaboliten in einem latenten Raum neu definiert.

Im ersten Schritt lernt das System mithilfe von Autoencodern die latenten Repräsentationen von Metabolitenstrukturen und MS/MS-Spektren. Dadurch wird die klassische Spektren‑Metaboliten‑Matching‑Aufgabe in einen Vergleich von Vektoren im latenten Raum überführt. Anschließend erzeugt ein GAN künstliche „Decoy“-Metaboliten, deren latente Vektoren als negative Trainingsbeispiele dienen. Diese adversariale Trainingsstrategie sorgt dafür, dass das Modell robustere Unterscheidungen zwischen echten und gefälschten Matches treffen kann.

Experimentelle Tests zeigen, dass MS2MetGAN die Gesamtleistung bei der Metabolitenidentifikation übertrifft, wenn es mit bestehenden Methoden verglichen wird. Die Ergebnisse deuten darauf hin, dass die Kombination aus latenter Repräsentation und adversarialem Training ein vielversprechender Ansatz für zukünftige Datenbank‑Such‑Tools ist.

Mit dieser Innovation eröffnet MS2MetGAN neue Möglichkeiten für die schnelle und genaue Analyse von Metaboliten in komplexen biologischen Proben. Die Forschungsergebnisse sind auf arXiv unter der Nummer 2603.13342v1 verfügbar.