化学衍生化是质谱分析中的一种常用技术，被广泛应用于生物标志物发现、代谢组学及非靶向环境组研究中。但化学衍生化分子（CDMs）普遍缺少标准化的质谱谱图，难以实现高通量结构鉴定，是当前化学衍生组学亟待解决的瓶颈问题。

近日，太阳集团见好就收9728李峰教授团队开发了一种基于深度学习的质谱谱图预测技术（DeepCDM），利用迁移学习和包含少量实验谱图的训练集，成功将通用性的谱图预测工具转化为针对CDM的专用预测算法，大大提升了CDM质谱谱图预测的准确性。基于DeepCDM，构建了丹磺酰化分子的专用模型Dns-MS，以及包含294647个丹磺酰化分子MS/MS谱图的专用质谱数据库DnsBank，并成功应用于非靶向环境组学，实现了工业废水中新污染物的高通量发现。

图1 基于液相色谱-质谱（LC-MS）的化学衍生化分子（CDMs）非靶向分析

该研究以“Deep learning prediction of electrospray ionization tandem mass spectra of chemically derived molecules”为题发表在《Nature Communications》上，四川大学太阳集团见好就收9728为第一通讯单位，四川大学太阳集团见好就收9728硕士研究生陈斌和李海亮为共同第一作者，四川大学太阳集团见好就收9728李峰教授和分析测试中心唐娅楠副研究员为共同通讯作者。。

文章链接：https://www.nature.com/articles/s41467-024-52805-5