Аннотация результатов, полученных в 2022 году
Хромато-масс-спектрометрия — метод разделения и идентификации веществ непосредственно в составе смеси. Хроматографическая система разделяет смесь веществ в потоке газа или жидкости (подвижной фазы). Сопоставляя набор образовавшихся в масс-спектрометре фрагментных ионов со справочными данными, можно с большой вероятностью установить структуру молекулы, если соответствующий спектр есть в базе данных. В то же время подавляющее большинство возможных молекул отсутствуют в базах данных, и установить структуру молекулы (даже предварительно) по данным хромато-масс-спектрометрии в таких случаях достаточно сложно. К счастью, это становится возможным с применением методов искусственного интеллекта и машинного обучения, а также при использовании нескольких методов хромато-масс-спектрометрии одновременно и максимальном использовании всех доступных данных. В рамках данного проекта был предложен подход к определению (предварительному) структуры молекулы на основе данных хромато-масс-спектрометрии с использованием машинного обучения. Данный подход был применен к важной экологической задаче — анализу продуктов трансформации несимметричного диметилгидразина (НДМГ). Это соединение используется как ракетное горючее и, к сожалению, нередко попадает в окружающую среду. Токсичность и возможная канцерогенность самого НДМГ представляет большую проблему, однако еще большую опасность могут таить в себе продукты трансформации НДМГ. Эти соединения потенциально токсичны и опасны, структуры большинства из них до сих пор не установлены, а значит свойства практически неизвестны и никакой мониторинг невозможен. В предшествующих работах часто предположение о структуре неизвестного нового продукта трансформации НДМГ делалось на основании данных только одного метода хромато-масс-спектрометрии. Это является крайне ненадежным подходом. В ходе выполнения данного проекта был разработан подход к определению структуры неизвестных продуктов трансформации НДМГ методами хроматографии и масс-спектрометрии. В рамках этого подхода структура должна удовлетворять семи критериям: (i-ii) индексы удерживания (т. е. величины, характеризующие удерживание молекулы в газохроматографической системе) для двух неподвижных фаз должны удовлетворительно совпадать с предсказанными с помощью машинного обучения; (iii-iv) масс-спектры, полученные с помощью двух методов ионизации и фрагментации, удовлетворительно совпадают с предсказанными с помощью машинного обучения; (v-vi) значения m/z молекулярного иона, полученные с помощью газовой хромато-масс-спектрометрии с химической ионизацией и с помощью жидкостной хроматографии — масс-спектрометрии высокого разрешения, удовлетворительно соответствуют молекулярной массе структуры-кандидата; (vii) кандидат имеет характерные для известных из литературы продуктов трансформации НДМГ особенности структуры. Cтруктуры продуктов трансформации НДМГ, удовлетворяющие этому набору критериев, с достаточно высокой вероятностью соответствуют действительности, в то время как использование лишь одного метода совершенно недостаточно. Многие из вновь идентифицированных продуктов трансформации НДМГ имеют примерно такую же токсичность, как и сам НДМГ. Можно сделать вывод, что разнообразие и неизученность возможных продуктов трансформации НДМГ скрывают в себе опасность, которая может быть недооценена. Аналогичные критерии могут быть использованы и для других задач нецелевого анализа и являются достаточно универсальными. Для того чтобы позволить исследователю как можно удобнее проверять молекулы на соответствие этим критериям, было разработано удобное публично доступное программное обеспечение с открытым исходным кодом, имеющее графический интерфейс пользователя. Эта программа позволяет предсказывать газохроматографические индексы удерживания и масс-спектры «в один клик» и удобно сравнивать с предсказанными. Программа может быть применена для любых задач анализа смесей неизвестных соединений. Еще одной частью данного проекта является создание нового метода предсказания масс-спектров электронной ионизации по структуре молекулы на основе графовой нейронной сети. При этом рассматриваются структуры возможных фрагментных ионов, и нейронная сеть оценивает вероятность образования такого иона из молекулы. Обучение такой нейронной сети возможно благодаря применению технологии дифференцируемого программирования. Достигнутая точность выше, чем у ряда ранее опубликованных методов, и данный метод предсказывает структуры фрагментных ионов, а не только целочисленные значения m/z. В рамках данного проекта было проведено исследование предсказания наличия тех или иных подструктур в структуре молекулы с помощью машинного обучения. Было показано, что если на вход модели машинного обучения подавать не только масс-спектр электронной ионизации, но и индексы удерживания на двух неподвижных фазах и «спектр нейтральных потерь» (спектр, характеризующий насколько m/z фрагментных ионов отличаются от m/z молекулярного иона), то точность предсказания повышается. Это в очередной раз показывает, насколько важно использовать все доступные данные. Сочетание предсказания масс-спектров и предсказания подструктур по экспериментальному масс-спектру открывает путь к полностью автоматическому построению структуры на основе данных хроматографии и масс-спектрометрии. На первом этапе по брутто-формуле (известной из данных масс-спектрометрии высокого разрешения) конструируется множество возможных изомеров, измеряемое миллионами. Затем ввиду наличия в них подструктур, отсутствующих в анализируемой молекуле (эту информацию мы можем узнать напрямую из масс-спектра) или просто крайне маловероятных, подавляющее большинство изомеров может быть отброшено. Предсказав индексы удерживания и сравнив с наблюдаемыми можно сократить количество кандидатов примерно в 10 раз. Затем выполняется предсказание масс-спектров, и с помощью обучения ранжированию выбираются те кандидаты, предсказанный масс-спектр которых наиболее близок к наблюдаемому. Следующей задачей, встающей немедленно как только структура молекулы установлена, является предсказание свойств по структуре молекулы. Эта задача в рамках данного проекта решается с помощью автоматического подбора метода машинного обучения и представления молекулы. Обычно исследователь вынужден методом проб и ошибок проверить множество типов молекулярных дескрипторов и представлений структуры молекулы, а также методов машинного обучения. Мы же ставили своей целью максимально автоматизировать данный процесс. Наконец, мы рассмотрели важный аспект поиска по библиотекам масс-спектров. Дело в том, что базы данных масс-спектров часто содержат в себе масс-спектры, для которых фрагменты с небольшими значениями m/z просто не регистрировались. Однако, глядя на такой спектр, невозможно определить, фрагменты с такими m/z не образовывались или просто не были зарегистрированы. Эта информация не приводится в базах данных. Мы изучили то, в каких случаях это может приводить к искажению результатов библиотечного поиска, какие подходы используются в различных программах, и какой из них является оптимальным. Это позволило нам избежать некорректных результатов при проведении исследований на тему библиотечного поиска и выбрать правильную функцию потерь при обучении нейронной сети, предсказывающей масс-спектры. Эти результаты опубликованы в статье: A.S. Samokhin, D.D. Matyushin. Rapid Communications in Mass Spectrometry 37.3 (2023): e9437. https://doi.org/10.1002/rcm.9437 Описание метода с семью критериями для определения структур неизвестных продуктов трансформации НДМГ опубликовано в статье: A.Yu. Sholokhova et al. Molecules 28.8 (2023): 3409. https://doi.org/10.3390/molecules28083409 Статья находится в открытом доступе и доступна по ссылке: https://www.mdpi.com/1420-3049/28/8/3409 Программное обеспечение с графическим интерфейсом пользователя для нецелевого анализа, описанное выше, доступно онлайн по ссылке: https://github.com/mtshn/svekla

Аннотация результатов, полученных в 2023 году
В рамках второго года реализации проекта большое внимание было уделено новым подходам к предсказанию газохроматографических индексов удерживания. Особое внимание было уделено интерпретируемым и физически обоснованным подходам. Разработанные ранее модели на основе глубокого обучения представляют собой модели типа «черный ящик» - они дают достаточно точные предсказания, однако остается совершенно непонятным, как именно предсказание получено. Кроме того, их точность была оценена на больших наборах данных, с помощью таких метрик, как средняя абсолютная ошибка, и для заданной категории молекул остается неизвестным, насколько они точны на самом деле. В рамках второго года реализации проекта мы постарались преодолеть эти недостатки. Интерпретируемым и физически обоснованным методом предсказания свойств молекул являются линейные количественные отношения структура-свойство, представляющие собой линейные уравнения, связывающие молекулярные дескрипторы (величины, характеризующие молекулы) с предсказываемым свойством. Сначала выполняется отбор наиболее релевантных молекулярных дескрипторов, затем выполняется построение уравнения для предсказания свойства молекулы, например хроматографического удерживания. Выводы о механизме удерживания делаются на основе того, какие молекулярные дескрипторы были отобраны и вносят больший вклад. Зачастую в литературе процедура отбора выполняется один раз и только одним методом и исходя из этого делаются выводы о физико-химической природе разделения. Исходя из здравого смысла, выводы не должны меняться при, например, удалении нескольких молекул из числа рассматриваемых. В рамках данного проекта было изучено, является ли воспроизводимой процедура отбора молекулярных дескрипторов при небольшом изменении набора данных, а также выполнено сравнение нескольких методов отбора молекулярных дескрипторов. Был рассмотрен набор данных об удерживании для 173 различных органических соединений для трех неподвижных фаз на основе ионных жидкостей и двух стандартных неподвижных фаз. Отбор молекулярных дескрипторов проводился шестью различными методами. Для выполнения данных исследований было разработано интерактивное программное обеспечение с открытым исходным кодом для построения количественных отношений структура-свойство - CHERESHNYA. Данное программное обеспечение позволяет в интерактивном режиме («в один клик») выполнить расчет молекулярных дескрипторов (все молекулярные дескрипторы, доступные в пакетах RDKit, CDK), выполнить процедуру отбора дескрипторов и построить количественное отношение структура-свойство. CHERESHNYA может быть использована для предсказания хроматографического удерживания, токсичности и других свойств молекул. Было показано, что набор отбираемых молекулярных дескрипторов не воспроизводится при случайном изменении набора данных для всех шести методов, и все шесть методов на одних и тех же данных отбирают разные молекулярные дескрипторы в качестве наиболее значимых. Для предсказания индексов удерживания на нестандартных неподвижных фазах наилучшие результаты могут быть достигнуты, если в качестве молекулярных дескрипторов использовать индексы удерживания для стандартных неподвижных фаз, предсказанные с помощью глубокого обучения. Препринт с подробным описанием находится в открытом доступе по ссылке: https://doi.org/10.26434/chemrxiv-2024-16sxs Программное обеспечение CHERESHNYA (исходные коды и скомпилированные пакеты для операционных систем Windows и Linux) доступно онлайн https://github.com/mtshn/chereshnya Важной проблемой при предсказании индексов удерживания является то, что точность предсказания для рассматриваемой группы молекул и тем более конкретной молекулы остается неизвестной. Обычно точность оценивается, используя большие наборы данных, включающие в себя тысячи и десятки тысяч молекул, для которых вычисляются метрики, такие как средняя абсолютная ошибка. Однако для одних групп молекул предсказание выполняется с очень высокой точностью, а для других предсказание может быть неудовлетворительным. Таким образом, важной является разработка методов, позволяющих оценить точность предсказания для конкретной молекулы. В ходе выполнения данной части проекта было показано, что чем более близкая молекула к данной была в обучающем наборе, тем более точным (в среднем) является предсказание. Молекулярное подобие между молекулой, для которой выполняется предсказание, и наиболее близкой к ней молекулой из обучающего набора является метрикой, позволяющей оценить точность предсказания. Наилучшей из рассмотренных метрикой молекулярного подобия для этой цели является сходство «молекулярных отпечатков пальцев» ECFP по Танимото. Исходные коды, соответствующие данным результатам, доступны онлайн: https://github.com/mtshn/molsimwax При предварительной идентификации продуктов трансформации несимметричного диметилгидразина (НДМГ), выполненной в течение первого года реализации проекта, большое значение имело предсказание индексов удерживания, а также библиотечные индексы удерживания. Однако, как сказано выше, точность предсказания индексов удерживания именно для этих молекул оставалась неизвестной. Для того чтобы оценить, насколько надежно предсказание для таких молекул (азотсодержащие молекулы с высокой долей азота и небольшой молекулярной массой), было изучено хроматографическое поведение 32 молекул, для которых коммерчески доступны стандартные образцы. Индексы удерживания получены для трех различных неподвижных фаз. Эти соединения включают в себя азотсодержащие гетероциклы и амиды, установленные и возможные продукты трансформации НДМГ. Было проведено сравнение экспериментальных, библиотечных (из базы данных NIST) и предсказанных индексов удерживания. Была оценена точность предсказания и выявлены возможные ошибки в базе данных NIST. Препринт с подробным описанием находится в открытом доступе по ссылке: https://doi.org/10.26434/chemrxiv-2024-mfbd6 Еще одним подходом как к оценке точности предсказания индексов удерживания, так и к интерпретируемому и физически обоснованному предсказанию является кластеризация обучающего набора (базы данных NIST). Точность предсказания сильно зависит от того, к какому из кластеров относится рассматриваемое соединение. В то же время обучение отдельных моделей (регрессия на опорных векторах) для каждого из кластеров позволяет добиться точности предсказания, сравнимой или превосходящей таковую для глубоких нейронных сетей, с помощью традиционных методов машинного обучения. Такие модели являются интерпретируемыми. В ходе первого года выполнения проекта изучалась смесь продуктов трансформации НДМГ, образовавшаяся при длительном неконтролируемом хранении сточных вод, содержащих НДМГ. В этом году была синтезирована аналогичная сложная смесь, но полученная в контролируемых лабораторных условиях. Для этого в течение длительного времени выдерживали смесь растворов НДМГ и пероксида водорода. В полученной смеси были предварительно идентифицированы 20 продуктов трансформации НДМГ, лишь два из которых содержатся в масс-спектральных базах данных. При этом использовалась вся совокупность методов машинного обучения: предсказание масс-спектров, предсказание «молекулярных отпечатков пальцев» исходя из масс-спектра, индексы удерживания. Для отбора кандидатов из списка изомеров использовалась оценка энтальпии образования и множество критериев.