Artificial Intelligence (AI) Strategies For Metabolite Identification Based On Tandem Mass Spectrometry Data

Abstract

Aquesta tesi aborda reptes fonamentals en la identificació de petites molècules en metabolòmica mitjançant dades d’espectrometria de masses en tàndem (MS/MS). Tot i els avenços en tècniques analítiques, la identificació de metabòlits desconeguts continua limitada per la diversitat química i les biblioteques espectrals incompletes. Per superar aquests obstacles, aquesta recerca presenta un conjunt de mètodes basats en aprenentatge automàtic per millorar l'anotació i la predicció estructural de metabòlits. Les contribucions principals inclouen: (1) ChemEmbed, un model basat en CNN que combina espectres MS/MS amb embeddings moleculars per millorar la precisió; (2) un metamodel que integra diverses tècniques predictives per reforçar el rànquing de candidats; i (3) un sistema híbrid CNN-JTVAE capaç de reconstruir estructures moleculars a partir de dades espectrals. Aquests mètodes mostren un rendiment elevat en benchmarks com CASMI 2022 i en conjunts de dades com ARUS. En conjunt, la tesi ofereix solucions escalables i precises per a la identificació metabolòmica, contribuint al progrés de la biologia de sistemes i la quimioinformàtica.

Esta tesis aborda desafíos clave en la identificación de pequeñas moléculas en metabolómica utilizando datos de espectrometría de masas en tándem (MS/MS). A pesar de los avances en técnicas analíticas, la identificación de metabolitos desconocidos sigue siendo difícil debido a la gran diversidad química y la falta de bibliotecas espectrales completas. Para superar estos desafíos, esta investigación presenta un conjunto de métodos basados en aprendizaje automático para mejorar la anotación y predicción estructural de metabolitos. Las contribuciones principales incluyen: (1) ChemEmbed, un modelo basado en CNN que fusiona espectros MS/MS con representaciones moleculares para mejorar la precisión; (2) un metamodelo que combina múltiples técnicas predictivas para optimizar la clasificación de candidatos; y (3) un sistema híbrido CNN-JTVAE capaz de reconstruir estructuras moleculares directamente desde datos espectrales. Estas herramientas demuestran un alto rendimiento en evaluaciones como CASMI 2022 y en conjuntos de datos como ARUS. En resumen, la tesis ofrece soluciones precisas y escalables que impulsan los avances en biología de sistemas, quimioinformática y medicina de precisión.

This thesis addresses critical challenges in the identification of small molecules in metabolomics using tandem mass spectrometry (MS/MS) data. Despite advances in analytical techniques, the identification of unknown metabolites remains limited due to the vast chemical diversity and incomplete spectral libraries. To overcome these issues, this research presents a suite of machine learning-based methods for improved metabolite annotation and molecular structure prediction. The core contributions include: (1) ChemEmbed, a CNN-based model that merges MS/MS spectra with molecular embeddings to enhance annotation accuracy; (2) a metamodel approach that integrates multiple prediction techniques to boost candidate ranking performance; and (3) a CNN-JTVAE hybrid system capable of reconstructing molecular structures directly from spectral data. These tools show strong performance across benchmarks such as CASMI 2022 and large-scale datasets like ARUS. Overall, the thesis delivers scalable, accurate, and generalizable solutions for metabolomics, advancing the fields of systems biology, cheminformatics, and data-driven molecular discovery.