CN113495094B - 分子质谱模型的训练方法、分子质谱模拟方法和计算机 - Google Patents

分子质谱模型的训练方法、分子质谱模拟方法和计算机 Download PDF

Info

Publication number
CN113495094B
CN113495094B CN202010249411.XA CN202010249411A CN113495094B CN 113495094 B CN113495094 B CN 113495094B CN 202010249411 A CN202010249411 A CN 202010249411A CN 113495094 B CN113495094 B CN 113495094B
Authority
CN
China
Prior art keywords
mass spectrum
model
mass spectrometry
ion fragments
molecules
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010249411.XA
Other languages
English (en)
Other versions
CN113495094A (zh
Inventor
高飞
石晓东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Telecom Corp Ltd
Original Assignee
China Telecom Corp Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Telecom Corp Ltd filed Critical China Telecom Corp Ltd
Priority to CN202010249411.XA priority Critical patent/CN113495094B/zh
Publication of CN113495094A publication Critical patent/CN113495094A/zh
Application granted granted Critical
Publication of CN113495094B publication Critical patent/CN113495094B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/62—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating the ionisation of gases, e.g. aerosols; by investigating electric discharges, e.g. emission of cathode
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures

Landscapes

  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Electrochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Physics & Mathematics (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)

Abstract

本公开提出一种分子质谱模型的训练方法、分子质谱模拟方法和计算机，涉及分子质谱检测和计算机应用领域。利用蒙特卡洛树搜索模型和线性网络模型构建分子质谱模型，蒙特卡洛树搜索模型用来对分子进行裂解模拟，线性网络模型用来对碎片占比进行模拟，利用已知质谱的分子质谱训练数据对分子质谱模型进行训练，以确定裂解位置权重和碎片占比系数等模型参数，使得训练好的分子质谱模型能够准确模拟分子的质谱数据。

Description

分子质谱模型的训练方法、分子质谱模拟方法和计算机
技术领域
本公开涉及分子质谱检测和计算机应用领域，特别涉及一种分子质谱模型的训练方法、分子质谱模拟方法和计算机。
背景技术
质谱模拟对新型物质发现具有非常重要的意义，对于药物、化学、化工产业具有重大意义。
分子(或称化合物)在受到电子轰击后，裂解形成碎片，根据碎片的质核比(即，质子数/电荷数的比值，表示为m/z)，可以反向推断出碎片的结构。
然而，一些分子的结构非常复杂，裂解情况也非常复杂，即使人们知道一些裂解规则，但是仍然无法准确预测分子的裂解结果。
发明内容
本公开实施例利用蒙特卡洛树搜索模型和线性网络模型构建分子质谱模型，蒙特卡洛树搜索模型用来对分子进行裂解模拟，线性网络模型用来对碎片占比进行模拟，利用已知质谱的分子质谱训练数据对分子质谱模型进行训练，以确定裂解位置权重和碎片占比系数等模型参数，使得训练好的分子质谱模型能够准确模拟分子的质谱数据，进而可利用质谱数据反向推断出碎片的结构。
本公开提出一种分子质谱模型的训练方法，包括：
构建分子质谱模型，包括蒙特卡洛树搜索模型和线性网络模型，所述线性网络模型是所有模拟离子碎片按照相应的占比系数加权后与分子的质谱数据所构成的线性网络；
获取分子质谱训练数据，包括多个已知质谱分子、每个已知质谱分子裂解后的真实离子碎片、以及每个已知质谱分子的质谱数据；
针对每个已知质谱分子，按照如下方法，对分子质谱模型迭代地进行训练，直至满足预设的终止条件停止训练，得到训练完成的分子质谱模型：
将分子质谱训练数据输入蒙特卡洛树搜索模型对已知质谱分子进行裂解模拟，输出已知质谱分子的模拟离子碎片；
根据已知质谱分子的模拟离子碎片和真实离子碎片，调整蒙特卡洛树搜索模型中裂解位置的权重；
根据已知质谱分子的模拟离子碎片和质谱数据，调整所有模拟离子碎片的占比系数。
在一些实施例中，所述将分子质谱训练数据输入蒙特卡洛树搜索模型对已知质谱分子进行裂解模拟包括：
根据蒙特卡洛树搜索模型的检索功能对已知质谱分子进行裂解；
根据蒙特卡洛树搜索模型的扩展功能和模拟功能在已知质谱分子前次裂解结果基础上继续裂解，直至裂解为最小基团，输出已知质谱分子的模拟离子碎片。
在一些实施例中，所述根据已知质谱分子的模拟离子碎片和真实离子碎片，调整蒙特卡洛树搜索模型中裂解位置的权重包括：
对于与已知质谱分子的真实离子碎片相符合的模拟离子碎片相应的裂解位置，增加其在蒙特卡洛树搜索模型中的权重；
对于与已知质谱分子的真实离子碎片不相符合的模拟离子碎片相应的裂解位置，减小其在蒙特卡洛树搜索模型中的权重。
在一些实施例中，所述根据已知质谱分子的模拟离子碎片和质谱数据，调整所有模拟离子碎片的占比系数包括：
调整所有模拟离子碎片的占比系数，使得已知质谱分子的模拟离子碎片按照所调整的占比系数加权后等于已知质谱分子的质谱数据。
在一些实施例中，所述线性网络模型是所有模拟离子碎片按照相应的裂解位置的权重和占比系数加权后与分子的质谱数据所构成的线性网络；
所述根据已知质谱分子的模拟离子碎片和质谱数据，调整所有模拟离子碎片的占比系数包括：
调整所有模拟离子碎片的占比系数，使得已知质谱分子的模拟离子碎片按照裂解位置的权重和所调整的占比系数加权后等于已知质谱分子的质谱数据。
在一些实施例中，停止训练的终止条件包括：达到预设的迭代次数，或者，预测的质谱数据与真实的质谱数据之间的误差小于预设误差。
在一些实施例中，所述分子质谱训练数据中的已知质谱分子是已知质谱分子的摩尔文件；
所述分子质谱训练数据中的真实离子碎片是真实离子碎片的摩尔文件。
本公开一些实施例提出一种基于分子质谱模型的分子质谱模拟方法，包括：
将待模拟分子输入所述分子质谱模型进行处理；
获取所述分子质谱模型输出的所述待模拟分子的质谱模拟数据。
在一些实施例中，所述质谱模拟数据在所述线性网络模型中所占用的模拟离子碎片确定为所述待模拟分子的离子碎片。
在一些实施例中，所述将待模拟分子输入所述分子质谱模型进行处理包括：
将待模拟分子的摩尔文件输入所述分子质谱模型进行处理。
本公开一些实施例提出一种计算机，包括：存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行任一些实施例所述的分子质谱模型的训练方法，和/或，任一些实施例所述的分子质谱模拟方法。
本公开一些实施例提出一种非瞬时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现执行任一些实施例所述的分子质谱模型的训练方法，和/或，任一些实施例所述的分子质谱模拟方法。
附图说明
下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍。根据下面参照附图的详细描述，可以更加清楚地理解本公开。
显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1示出本公开一些实施例的分子质谱模型的训练方法的流程示意图。
图2示出了一个已知质谱的分子和其两个真实离子碎片B、C的示意图。
图3示出了一个示例性的裂解模拟过程示意图。
图4示出了一个分子的所有可能的裂解示意图。
图5示出本公开一些实施例的基于分子质谱模型的分子质谱模拟方法的流程示意图。
图6示出本公开一些实施例的计算机的结构示意图。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述。
图1示出本公开一些实施例的分子质谱模型的训练方法的流程示意图。
如图1所示，该实施例的训练方法包括：
步骤110，构建分子质谱模型，包括蒙特卡洛树搜索模型和线性网络模型，蒙特卡洛树搜索模型级联线性网络模型。
蒙特卡洛树搜索模型可以参考现有技术，本实施例用蒙特卡洛树搜索模型对分子进行裂解模拟。
本实施例用线性网络模型对碎片占比进行模拟。
第一种情况：线性网络模型是所有模拟离子碎片按照相应的占比系数加权后与分子的质谱数据所构成的线性网络，线性网络模型例如可用如下公式表示：
其中，Mi表示模拟离子碎片i的质核比，ai表示模拟离子碎片i的占比系数，M表示分子的质谱数据，n表示模拟离子碎片的数量。
第二种情况：线性网络模型是所有模拟离子碎片按照相应的裂解位置的权重和占比系数加权后与分子的质谱数据所构成的线性网络，线性网络模型例如可用如下公式表示：
其中，Mi表示模拟离子碎片i的质核比，ai表示模拟离子碎片i的占比系数，qi表示模拟离子碎片i相应的裂解位置的权重，M表示分子的质谱数据，n表示模拟离子碎片的数量。
步骤120，获取分子质谱训练数据，包括多个已知质谱分子、每个已知质谱分子裂解后的真实离子碎片、以及每个已知质谱分子的质谱数据。
分子质谱训练数据中的已知质谱分子是已知质谱分子的摩尔文件。分子质谱训练数据中的真实离子碎片是真实离子碎片的摩尔文件。摩尔文件(.mol)包括原子和键的数量描述信息，用来表示每个原子的坐标的原子矩阵，用来表示每个键的坐标的键矩阵。
图2示出了一个已知质谱的分子和其两个真实离子碎片B、C的示意图。
已知质谱的分子A的摩尔文件例如为：
真实离子碎片B的摩尔文件例如为：
真实离子碎片C的摩尔文件例如为：
然后，针对每个已知质谱分子，按照如下方法(即步骤130-150)，对分子质谱模型迭代地进行训练，直至满足预设的终止条件停止训练，得到训练完成的分子质谱模型。
停止训练的终止条件例如为：达到预设的迭代次数，或者，预测的质谱数据与真实的质谱数据之间的误差小于预设误差等，但不限于所举示例。
步骤130，将分子质谱训练数据输入蒙特卡洛树搜索模型对已知质谱分子进行裂解模拟，输出已知质谱分子的模拟离子碎片。
根据蒙特卡洛树搜索模型的检索功能(Selection)对已知质谱分子进行裂解；根据蒙特卡洛树搜索模型的扩展功能(Expansion)和模拟功能(simulation)在已知质谱分子前次裂解结果基础上继续裂解，直至裂解为最小基团，输出已知质谱分子的模拟离子碎片。其中，蒙特卡洛树搜索模型的检索、扩展和模拟功能具体可以参考现有技术，这里不再赘述。
图3示出了一个示例性的裂解模拟过程示意图。其中，ABCD表示某个分子，箭头表示裂解，左侧的箭头表示初次裂解，右侧的箭头表示在前次裂解结果基础上继续裂解，箭头后面的式子表示裂解结果。
图4示出了一个分子的所有可能的裂解示意图。其中，上部表示一个分子，下部表示该分子的每个键断裂后的5种裂解结果，71、57、43、29、15表示相应的离子碎片的质核比。
步骤140，根据已知质谱分子的模拟离子碎片和真实离子碎片，调整蒙特卡洛树搜索模型中裂解位置的权重。
对于与已知质谱分子的真实离子碎片相符合的模拟离子碎片相应的裂解位置，增加其在蒙特卡洛树搜索模型中的权重；对于与已知质谱分子的真实离子碎片不相符合的模拟离子碎片相应的裂解位置，减小其在蒙特卡洛树搜索模型中的权重。
步骤150，根据已知质谱分子的模拟离子碎片和质谱数据，调整所有模拟离子碎片的占比系数。
如果线性网络模型是所有模拟离子碎片按照相应的占比系数加权后与分子的质谱数据所构成的线性网络，调整所有模拟离子碎片的占比系数(即，调整步骤110中的系数ai)，使得已知质谱分子的模拟离子碎片按照所调整的占比系数加权后等于已知质谱分子的质谱数据。
如果线性网络模型是所有模拟离子碎片按照相应的裂解位置的权重和占比系数加权后与分子的质谱数据所构成的线性网络，调整所有模拟离子碎片的占比系数(即，调整步骤110中的系数ai)，使得已知质谱分子的模拟离子碎片按照裂解位置的权重和所调整的占比系数加权后等于已知质谱分子的质谱数据。
本实施例利用蒙特卡洛树搜索模型和线性网络模型构建分子质谱模型，蒙特卡洛树搜索模型用来对分子进行裂解模拟，线性网络模型用来对碎片占比进行模拟，利用已知质谱的分子质谱训练数据对分子质谱模型进行训练，以确定裂解位置权重和碎片占比系数等模型参数，使得训练好的分子质谱模型能够准确模拟分子的质谱数据，进而可利用质谱数据反向推断出碎片的结构。
图5示出本公开一些实施例的基于分子质谱模型的分子质谱模拟方法的流程示意图。
如图5所示，该实施例的分子质谱模拟方法包括：
步骤510，将待模拟分子输入前述实施例训练得到的分子质谱模型进行处理。
例如，将待模拟分子的摩尔文件输入分子质谱模型进行处理。
步骤520，获取分子质谱模型输出的待模拟分子的质谱模拟数据。
待模拟分子可能有一种或多种裂解的可能性，因此，裂解结果中可能包括一种或多种裂解结果，待模拟分子的质谱模拟数据是这些裂解结果对应的综合质核比。
利用质谱数据反向推断出碎片的结构。例如，将质谱模拟数据在线性网络模型中所占用的模拟离子碎片确定为待模拟分子的离子碎片，或者说，依据碎片的质核比将线性网络模型中凑出质谱模拟数据的模拟离子碎片确定为待模拟分子的离子碎片。
本实施例利用训练好的分子质谱模型能够准确模拟分子的质谱数据，进而可利用质谱数据反向推断出碎片的结构。
本公开的分子质谱模拟方案，可以应用于化合物鉴定、生物分析、新药研发等领域。在分子计算领域，针对取代基替换、组合化学、点击化学、蛋白质对接、高通量筛选(Highthroughput screening，HTS)等都有显著的运算效果，为国际化学信息学做出贡献。
图6示出本公开一些实施例的计算机的结构示意图。
如图6所示，该实施例的计算机600包括：存储器610以及耦接至该存储器610的处理器620，处理器620被配置为基于存储在存储器610中的指令，执行前述任意一些实施例中的分子质谱模型的训练方法，和/或，分子质谱模拟方法。
其中，存储器610例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(Boot Loader)以及其他程序等。
计算机600还可以包括输入输出接口630、网络接口640、存储接口650等。这些接口630，640，650以及存储器610和处理器620之间例如可以通过总线660连接。其中，输入输出接口630为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口640为各种联网设备提供连接接口。存储接口650为SD卡、U盘等外置存储设备提供连接接口。
本公开提出一种非瞬时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现执行前述任意一些实施例中的分子质谱模型的训练方法，和/或，分子质谱模拟方法。
本领域内的技术人员应当明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机程序代码的非瞬时性计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解为可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本公开的较佳实施例，并不用以限制本公开，凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (12)

1.一种分子质谱模型的训练方法，其特征在于，包括：
构建分子质谱模型，包括蒙特卡洛树搜索模型和线性网络模型，所述线性网络模型是所有模拟离子碎片按照相应的占比系数加权后与分子的质谱数据所构成的线性网络；
获取分子质谱训练数据，包括多个已知质谱分子、每个已知质谱分子裂解后的真实离子碎片、以及每个已知质谱分子的质谱数据；
针对每个已知质谱分子，按照如下方法，对分子质谱模型迭代地进行训练，直至满足预设的终止条件停止训练，得到训练完成的分子质谱模型：
将分子质谱训练数据输入蒙特卡洛树搜索模型对已知质谱分子进行裂解模拟，输出已知质谱分子的模拟离子碎片；
根据已知质谱分子的模拟离子碎片和真实离子碎片，调整蒙特卡洛树搜索模型中裂解位置的权重；
根据已知质谱分子的模拟离子碎片和质谱数据，调整所有模拟离子碎片的占比系数。
2.根据权利要求1所述的方法，其特征在于，所述将分子质谱训练数据输入蒙特卡洛树搜索模型对已知质谱分子进行裂解模拟包括：
根据蒙特卡洛树搜索模型的检索功能对已知质谱分子进行裂解；
根据蒙特卡洛树搜索模型的扩展功能和模拟功能在已知质谱分子前次裂解结果基础上继续裂解，直至裂解为最小基团，输出已知质谱分子的模拟离子碎片。
3.根据权利要求1所述的方法，其特征在于，所述根据已知质谱分子的模拟离子碎片和真实离子碎片，调整蒙特卡洛树搜索模型中裂解位置的权重包括：
对于与已知质谱分子的真实离子碎片相符合的模拟离子碎片相应的裂解位置，增加其在蒙特卡洛树搜索模型中的权重；
对于与已知质谱分子的真实离子碎片不相符合的模拟离子碎片相应的裂解位置，减小其在蒙特卡洛树搜索模型中的权重。
4.根据权利要求1所述的方法，其特征在于，所述根据已知质谱分子的模拟离子碎片和质谱数据，调整所有模拟离子碎片的占比系数包括：
调整所有模拟离子碎片的占比系数，使得已知质谱分子的模拟离子碎片按照所调整的占比系数加权后等于已知质谱分子的质谱数据。
5.根据权利要求1所述的方法，其特征在于，
所述线性网络模型是所有模拟离子碎片按照相应的裂解位置的权重和占比系数加权后与分子的质谱数据所构成的线性网络；
所述根据已知质谱分子的模拟离子碎片和质谱数据，调整所有模拟离子碎片的占比系数包括：
调整所有模拟离子碎片的占比系数，使得已知质谱分子的模拟离子碎片按照裂解位置的权重和所调整的占比系数加权后等于已知质谱分子的质谱数据。
6.根据权利要求1所述的方法，其特征在于，
停止训练的终止条件包括：达到预设的迭代次数，或者，预测的质谱数据与真实的质谱数据之间的误差小于预设误差。
7.根据权利要求1-6任一项所述的方法，其特征在于，
所述分子质谱训练数据中的已知质谱分子是已知质谱分子的摩尔文件；
所述分子质谱训练数据中的真实离子碎片是真实离子碎片的摩尔文件。
8.一种基于权利要求1-7任一项所述方法获得的分子质谱模型的分子质谱模拟方法，其特征在于，包括：
将待模拟分子输入所述分子质谱模型进行处理；
获取所述分子质谱模型输出的所述待模拟分子的质谱模拟数据。
9.根据权利要求8所述的方法，其特征在于，所述质谱模拟数据在所述线性网络模型中所占用的模拟离子碎片确定为所述待模拟分子的离子碎片。
10.根据权利要求8或9所述的方法，其特征在于，所述将待模拟分子输入所述分子质谱模型进行处理包括：
将待模拟分子的摩尔文件输入所述分子质谱模型进行处理。
11.一种计算机，包括：
存储器；以及
耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行权利要求1-7任一项所述的分子质谱模型的训练方法，和/或，权利要求8-10任一项所述的分子质谱模拟方法。
12.一种非瞬时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现执行权利要求1-7任一项所述的分子质谱模型的训练方法，和/或，权利要求8-10任一项所述的分子质谱模拟方法。
CN202010249411.XA 2020-04-01 2020-04-01 分子质谱模型的训练方法、分子质谱模拟方法和计算机 Active CN113495094B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010249411.XA CN113495094B (zh) 2020-04-01 2020-04-01 分子质谱模型的训练方法、分子质谱模拟方法和计算机

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010249411.XA CN113495094B (zh) 2020-04-01 2020-04-01 分子质谱模型的训练方法、分子质谱模拟方法和计算机

Publications (2)

Publication Number Publication Date
CN113495094A CN113495094A (zh) 2021-10-12
CN113495094B true CN113495094B (zh) 2023-07-25

Family

ID=77993981

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010249411.XA Active CN113495094B (zh) 2020-04-01 2020-04-01 分子质谱模型的训练方法、分子质谱模拟方法和计算机

Country Status (1)

Country Link
CN (1) CN113495094B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114171130A (zh) * 2021-10-22 2022-03-11 西安电子科技大学 一种核心岩藻糖鉴定方法、系统、设备、介质及终端
CN113933373B (zh) * 2021-12-16 2022-02-22 成都健数科技有限公司 一种利用质谱数据确定有机物结构的方法和系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105842330A (zh) * 2015-09-09 2016-08-10 张华俊 一种质谱检测及解析方法
CN108363908A (zh) * 2017-02-16 2018-08-03 北京毅新博创生物科技有限公司 用于检测生物分子的智谱系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8278620B2 (en) * 2010-05-03 2012-10-02 Thermo Finnigan Llc Methods for calibration of usable fragmentation energy in mass spectrometry
US10878944B2 (en) * 2018-03-23 2020-12-29 Thermo Finnigan Llc Methods for combining predicted and observed mass spectral fragmentation data

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105842330A (zh) * 2015-09-09 2016-08-10 张华俊 一种质谱检测及解析方法
CN108363908A (zh) * 2017-02-16 2018-08-03 北京毅新博创生物科技有限公司 用于检测生物分子的智谱系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
How well can we predict cluster fragmentation inside a mass spectrometer?;Monica Passananti et al.;Chemical Communications;42;第5946-5949页 *
深度学习方法在生物质谱及蛋白质组学中的应用;赵新元 等;生物化学与生物物理进展;45(12);第1214-1223页 *

Also Published As

Publication number Publication date
CN113495094A (zh) 2021-10-12

Similar Documents

Publication Publication Date Title
Wang et al. Boolean modeling in systems biology: an overview of methodology and applications
Jegourel et al. A platform for high performance statistical model checking–PLASMA
Gajula et al. Protocol for molecular dynamics simulations of proteins
CN113495094B (zh) 分子质谱模型的训练方法、分子质谱模拟方法和计算机
US7769576B2 (en) Method and apparatus for integrated modeling, simulation and analysis of chemical and biological systems having a sequence of reactions, each simulated at a reaction time determined based on reaction kinetics
Zheng et al. Mathematical modeling: bridging the gap between concept and realization in synthetic biology
Ulaganathan et al. A Matlab toolbox for Kriging metamodelling
Sridharan et al. Deep reinforcement learning for molecular inverse problem of nuclear magnetic resonance spectra to molecular structure
Martinez et al. Simulation-driven design of wood framing support systems for off-site construction machinery
Harada et al. Efficient conformational sampling of proteins based on a multi-dimensional TaBoo SeArch algorithm: An application to folding of chignolin in explicit solvent
Srivastava et al. Semantic workflows for benchmark challenges: Enhancing comparability, reusability and reproducibility
Saadawi et al. Verification of real-time DEVS models
JP4930511B2 (ja) 分子力場割り当て方法、分子力場割り当て装置、および分子力場割り当てプログラム
Ries et al. Ensembler: a simple package for fast prototyping and teaching molecular simulations
Arjunan et al. Multi-algorithm particle simulations with Spatiocyte
Kennedy et al. Verification and validation of agent-based and equation-based simulations: a comparison
CN114169185A (zh) 基于Kriging的随机和区间不确定性混合下系统可靠性分析方法
Wang et al. Efficient implementation of the hybrid method for stochastic simulation of biochemical systems
Sorokin et al. RKappa: Software for Analyzing Rule-Based Models
Onodera et al. Data on the solution and processing time reached when constructing a phylogenetic tree using a quantum-inspired computer
Lee et al. 20 Software for Design and Analysis of Clinical Trials
CN111052252A (zh) 用于对生化环境建模的异构方法
Oldfield et al. The ASC Advanced Machine Learning Initiative at Sandia National Laboratories: FY21 Accomplishments and FY22 Plans.
Maeshiro et al. An evolutionary system for the prediction of gene regulatory networks in biological cells
Lecca et al. A reaction-based model of the state space of chemical reaction systems enables efficient simulations

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant