EnglishAI 凭一张质谱图"写出"分子结构：MetGenX 让未知代谢物注释率冲到 89%
**核心结论**：中科院朱正江团队推出 **MetGenX**——一个"结构感知"的深度学习生成模型，能**直接从一张二级质谱（MS2）图生成代谢物的分子结构**。在真实生物样本上，它对已知化学空间内的代谢物做到了 **top-1 准确率 68.5%、top-3 高达 89.2%**，覆盖 97.7% 的谱图；更关键的是，它把"已知未知（库里没谱图）"和"未知未知（全新结构）"两类难题，第一次用同一套生成框架统一解决，还在小鼠肝脏里**实打实发现了 2 个主流数据库里都没有的新代谢物**。对做非靶向代谢组学的人来说，这可能是近几年最值得关注的注释工具。
一、为什么这件事难：代谢组学的"最后一公里"
做 LC–MS 非靶向代谢组学，大家最熟的流程是：定性定量 → 拿到一堆峰 → 比对标准谱库（NIST、MoNA、GNPS）做注释。但现实很骨感：
- 谱库只覆盖"已知代谢物"。海量峰里，能配上网标准谱的往往只有一小部分；剩下的大多是"已知未知"（结构在数据库里、但没参考谱）和"未知未知"（结构本身就没被表征过）。 - 传统 *in silico* 工具（CFM-ID、MS-FINDER、MetFrag 等）靠"碎裂规则"反推，遇到没见过的碎裂模式就歇菜；深度生成模型（如 MSNovelist）又往往"漫无目的"地生成，准确率上不去。
这篇文章的核心主张是：与其让模型从零猜结构，不如让它"看着相似的结构模板"来生成——这就是"结构感知（structure-informed）"的由来。
二、MetGenX 长什么样：四步走
▲ 图1 MetGenX 的整体框架。a 模板检索：用查询 MS2 谱做谱相似度搜索，从参考谱库里捞出结构相似的"模板"；b 模板编码：每个模板被编码成一个 3898 维特征向量（3878 位结构指纹 + 10 位分子式 + 10 位分子式差值）；c 结构生成：一个支持"库受限"和"库自由"两种模式的编码器–解码器网络，最后用一个机器学习模型对候选结构按"与模板的结构相似度"重排序。
整套流程可以拆成四步：
模板检索（Template search）
。给一张查询 MS2 谱，先在参考谱库里按谱相似度捞出一批结构相似的模板分子。平均每个谱能捞到至少一个高相关模板（平均最大相似度 0.65）。 模板编码（Template encoding）
。把模板编码成 3898 维向量——结构指纹管"长相"，分子式管和查询谱的质量差（ΔFormula），相当于给模型一个"大致范围"。 结构生成（Structure generation）
。一个 Transformer 编码器–解码器，把"谱 + 模板"翻译成 SMILES 结构。它支持两种模式：
- 库受限（database-restricted）：答案在已知化学空间里，适合绝大多数"已有数据库收录"的代谢物； - 库自由（database-free）：完全开脑洞生成，专门对付全新结构。
重排序（Re-ranking）
。用一个 LightGBM 模型，拿 12 个特征（谱相似度、结构相似度、分子复杂度、NP 分数、SMILES 长度等）给候选打分。这一步是提分关键：在 NIST 独立测试集上，重排把 top-1 从 48.9% 拉到 55.9%，top-3 从 71.8% 拉到 76.1%。
模型底子也不小：预训练用了 217 万个生物相关结构（52 万来自 COCONUT/HMDB/NIST20/GNPS，176 万来自 PubChem），再用 NIST 的 2.3 万张谱微调。
三、性能到底有多强：和五款主流工具正面对决
▲ 图2 在真实生物样本上的注释表现与跨工具基准对比（论文 Fig.4）。上排：跨 5 类样本（细胞、脑、肝、血浆、尿液）的注释流程与按样本类型、加合离子、化学亚类的准确率分层；下排 f/g：MetGenX 与 CFM-ID、MSNovelist、MetFrag、MS-FINDER、ICEBERG 在注释覆盖率（f）和 top-3 准确率（g）上的全面对比，MetGenX 双双领先。
作者拿了 5 类真实生物样本（细胞、脑、肝、血浆、尿液）的 LC–MS 数据，先用标准品库做 level-1 金标准验证，再用 MetGenX 注释：
- 共 1720 张谱，MetGenX 成功注释 1681 张（覆盖率 97.7%）； - top-1 准确率 68.5%，top-3 准确率 89.2%，top-5 更是到 94.5%； - 按加合离子分：\[M+H\]⁺ 最准（90.5%），\[M−H₂O+H\]⁺ 76.8%，\[M+Na\]⁺ 60.0%； - 按化学亚类分：脂质类尤其好——结构规整、模板多，这正是代谢组学日常大头。
和五款主流工具同台比（同一背景库、同一批谱）：MetGenX 的 top-3 准确率 89.2%，把 CFM-ID（81.0%）、ICEBERG（81.0%）、MSNovelist、MetFrag（57.4%）全压了下去；覆盖率 97.7%，和 ICEBERG（97.8%）基本打平，但显著高于其他工具。作者点出的关键在于：MetGenX 不像 CFM-ID 那类方法依赖"每个碎片都能解释"，也不像纯生成模型那样大海捞针——模板把搜索空间收窄了，准和全才兼得。
四、最实用的亮点：正负离子模式"通吃"，不用重训
负离子模式一直是非靶向代谢组学的软肋——参考谱少、训练数据不足，多数工具在负模式下准确率断崖式下跌。MetGenX 的"结构到结构"设计恰好绕开了这个坑：模型学的是"结构生成"，离子模式只是输入谱不同，所以正模式训好的模型，负模式直接拿来用，无需重训。
实测：
- NIST 负模式独立集（n=653）：库受限 top-1 49.7%、top-3 75.4%，和正模式几乎一个水平； - 真实样本（2417 张谱）：覆盖率 95.9%，top-1 60.7%、top-3 82.5%，同样显著优于 CFM-ID、MetFrag、MS-FINDER、ICEBERG。 - 还做了"加标回收"硬验证：往小鼠肝脏和 NIST 1950 血浆里掺 200 个标准品，MetGenX 在肝脏 top-3 达 92.1%、血浆 89.2%，和标准品内源结果高度吻合。
对一线实验员来说，这意味着一套流程、两种模式、不用为切换离子源重新建模——省下的时间和算力都是真金白银。
五、不只是注释，它真能"发现新东西"
▲ 图3 小鼠肝脏非靶向代谢组学中的新代谢物发现（论文 Fig.6）。a 多步注释工作流：6564 个带 MS2 的特征 → SIRIUS 定分子式（2979 个）→ 库匹配（516，level-1）→ 库受限生成（541 高质量候选）→ 库自由生成（426 高质量）；b–d 展示全新代谢物 adenosyl-cysteine（HMDB/KEGG 均无，合成标准品验证，肾、肝富集最高）；e–g 展示另一个全新二核苷多磷酸 Ap2I（PubChem 均无，合成标准品验证，脾、肝富集最高）。
这才是这篇文章最"性感"的部分。作者把 MetGenX 用到小鼠肝脏非靶向数据上，跑了一套多步流程：
- 6564 个带 MS2 的特征，2979 个用 SIRIUS 定了分子式； - 516 个走库匹配拿到 level-1；剩下用 MetGenX 的库受限 + 库自由两轮生成。
结果挖出 2 个主流数据库里根本不存在的代谢物，而且都用合成标准品验证了：
Adenosyl-cysteine（腺苷半胱氨酸，C₁₃H₁₈N₆O₅S）
——HMDB、KEGG 里都没有。MetGenX 在库受限模式下把它排到 top-1（候选分 2.0），作者手动解谱 + 合成标准品双重确认，在肾、肝中富集最高。 Ap2I（adenosine 5′-diphosphate 5′-inosine，C₂₀H₂₅N₉O₁₄P₂）
——连 PubChem 里都没有的二核苷多磷酸。库自由模式生成、候选分 2.6，同样合成标准品确认，在脾、肝中富集最高。
还顺手定量了浓度：腺苷半胱氨酸约 10.80 pmol/mg 组织，Ap2I 约 2.97 pmol/mg。从"算法生成"到"合成验证"再到"浓度定量"，这条证据链对非靶向代谢组学做新化学实体发现是很有示范意义的。
六、给"做代谢组学"的几点实在启发（开泰视角）
作为天天跟 LC–MS 数据打交道的团队，我们读这篇有几点可以直接借鉴：
"模板"比"蛮力生成"靠谱
。MetGenX 的核心不是模型多花哨，而是"先用相似结构把搜索空间收窄"。这和我们给用户做注释时强调"结合本地标准库 + 已知代谢物库"的思路一致——先验知识用得好，注释才稳。 库受限 vs 库自由，要分场景用
。日常已知物种/组织的注释，库受限又快又准；真要找新结构、新标志物，才上库自由模式，并配合标准品验证——别指望一步到位。 正负模式都要覆盖
。很多项目只做正模式，漏掉一大批酸类、酚类代谢物。MetGenX 证明"一套模型通吃两种模式"可行，我们在建流程时也应把负模式当成标配。 新代谢物发现的闭环不能省
。算法给候选只是起点，像作者这样"手动解谱 + 合成标准品 + 多组织验证"才是把"预测"变成"发现"的关键。对外送检测服务来说，能帮客户挖到数据库外的新标志物，才是差异化的核心价值。
文献信息
- 标题：Structure-informed deep generation enables de novo metabolite annotation in untargeted metabolomics - 期刊：*Nature Communications* 2026, 17:5426 - DOI：10.1038/s41467-026-72149-6
