让质谱直接"写出"代谢物分子结构

2026 年 4 月 7 日，Nature Communications 上线了一项重磅研究：上海有机化学研究所朱正江/王洪淼团队开发的 **MetGenX**——一个"结构引导"的深度生成模型，能把一张二级质谱（MS²）谱图直接翻译成一个全新的代谢物分子结构。在 1,388 张 NIST 独立测试谱上，Top-1 准确率 55.9%；在 1,681 张真实生物样本谱上，Top-1 准确率 68.5%、Top-3 89.2%，**全面超越 CFM-ID、MS-FINDER、MetFrag、MSNovelist、ICEBERG**。更硬核的是：把这一流程搬到小鼠肝脏非靶向代谢组数据里，**真的挖出了 2 个 HMDB/KEGG/PubChem 都没有的全新代谢物**——并用化学标准品合成了对照，把 RT 和 MS² 全对上了。本文带你拆解 MetGenX 的核心机制与实战数据。

一、为什么"未靶向代谢组学"卡在标注这一关

未靶向代谢组学（untargeted metabolomics）号称能"无偏"地把一个生物体系里所有可检测的小分子一网打尽。但十几年来，整个领域的核心痛点始终是同一个：

• - 库匹配（library matching） 仍是金标准，但只认"已有标准品 + 已测参考谱"的那部分代谢物。
• - 现实样本里大量代谢物属于 "known unknowns"（HMDB/KEGG 等结构库里有结构、但没参考谱）和 "unknown unknowns"（连结构都未知）。
• - 现有的 in silico 工具（CFM-ID、MS-FINDER、MetFrag、SIRIUS+CSI:FingerID 等）本质都是"从谱图预测分子指纹或预测谱"，绕不开结构库这一关——见不到的东西就认不出。
• - 近两年的深度生成模型（MSNovelist、Spec2Mol、DiffMS）虽然号称能"de novo"造结构，但训练数据极度依赖参考谱——所有公共参考谱库拼起来，unique 分子也才 6 万左右，比一个像样的深度生成模型需要的 1–2 百万结构样本差一两个数量级。

所以现实是：LC-MS 数据越采越多，能认出来的代谢物比例却一直在 10%–30% 之间徘徊。剩下的"暗物质"，就成了制约代谢组学走向真正"无偏"的瓶颈。

二、MetGenX 的核心思路：把"谱图→结构"换成"结构→结构"

▲ 图1 MetGenX 整体框架。三大模块：模板搜索 → 模板编码 → 结构生成，并配合机器学习重排序。© Nature Communications, 2026.

MetGenX 没有试图让模型"硬学"从谱图到结构的端到端映射，而是做了一件很聪明的事——先借力已知结构，再去生成未知结构。整体框架分三步（Fig. 1）：

• - a 模板搜索（Template search）：把查询的 MS² 谱用 Word2Vec 做文本化嵌入（peak@xx.xx、nl@xx.xx 这种"词"），再通过余弦相似度在参考谱库里检索"结构相似"的代谢物分子。这些被检索出来的分子，就是"结构模板"。
• - b 模板编码（Template encoding）：每个模板被编码成一个 3,898 维的特征向量——3,878 位结构指纹 + 10 位分子式 + 10 位分子式差。
• - c 结构生成（Structure generation）：把多个模板的特征向量拼接后丢进一个 encoder-decoder（6 层 Transformer 解码器），以 SMILES 字符串的形式生成最终候选结构。

最后还有一个 LightGBM 重排序模型：基于"生成结构 vs 检索模板"的 12 维特征（谱相似度、结构相似度、模板数、模型分、分子复杂度、NP score、SMILES 长度等），给候选结构重新打分。

这套设计的精髓是：把"spectrum-to-structure"问题，巧妙地重写为"structure-to-structure"问题——直接利用了 2.17 百万的生物相关结构库，绕开了参考谱数据稀缺的瓶颈。

三、训练策略：217 万结构预训练 + NIST 微调

▲ 图2 MetGenX 的两阶段训练与重排序。a 预训练阶段在 2.17M 生物相关结构上进行；b 微调阶段用 23,213 张 NIST 谱图把模型对齐到"谱图→结构"任务；c 用 LightGBM 对生成候选做重排序。© Nature Communications, 2026.

训练分两步（Fig. 2）：

1. 预训练（structure-to-structure）

   ：用 0.52M 代谢物/天然产物（COCONUT、HMDB、NIST20、GNPS）+ 1.76M PubChem 生物相关结构（共 2.17M），让 encoder-decoder 先学会"给定一组相似结构，生成另一个合理结构"。预训练在 33 个 epoch 后收敛。

2. 微调（spectrum-to-structure）

   ：用 NIST20 的 23,213 张 MS² 谱（Orbitrap 仪器，正模式），按 9:1 划分训练/验证集，1,500 张独立测试集。微调时把"输入模板"换成由谱图检索得到的真实模板，让模型学会"从谱图出发去生成结构"。

两个 ablation 结论很关键：

• - 结构预训练 + 模板搜索这两个组件缺一不可——少了任何一项，准确率都会明显掉；
• - 重排序模型里结构相似度相关特征贡献最大，印证了"模板引导"才是核心信号源。

四、NIST 独立测试集：把"结构生出来"这件事做对

▲ 图3 MetGenX 在 1,500 张 NIST 独立测试谱（去重叠结构）上的表现。a 评估流程；b 92.5% 的谱都能检索到至少 1 个模板；c 数据库受限模式下 Top-1/Top-3 准确率；d RRP 分布；e 数据库自由模式准确率；f 候选结构与真值的结构相似度分布；g,h 两个示例（吡哆胺、2-乙氧基苯胺）。© Nature Communications, 2026.

评估用了 1,500 张与训练集结构不重叠的 NIST 谱，最后能成功检索到模板的 1,388 张进入生成评估：

• - 数据库受限模式（database-restricted，背景库 0.52M 结构）：Top-1 = 48.9% → 重排序后 55.9%；Top-3 = 71.8% → 76.1%。RRP 中位数为 1.00，说明正确结构基本都在 Top-1。
• - 数据库自由模式（database-free，de novo）：Top-1 = 21.7%，Top-3 = 35.0%。绝对值看起来没那么夸张，但Top-3 候选中 75.0% 与真值具有高结构相似度——意味着"没说中名字，但说中了化学家族"。

两个示例很说明问题：

• - 吡哆胺（pyridoxamine）：在数据库受限模式下，用 4 个 B6 维生素类模板，成功 Top-1 命中。
• - 2-乙氧基苯胺（2-ethoxyaniline）：在数据库自由模式下，用 4 个结构相似模板，Top-1 命中。

作者还做了一个有意思的统计：当最大结构相似度 > 0.71 时（Youden's J 拐点），生成正确的概率显著上升——这反过来给"模板检索"的质量定了一个可解释的阈值。

五、真实生物样本：5 类组织、1,720 张谱图、6 工具同台对比

▲ 图4 MetGenX 在真实生物样本上的表现与 6 工具横评。a 评估工作流；b 各样本类型的谱图数（库匹配 vs MetGenX）；c 各样本类型 Top-N 准确率；d,e 按加合物/化学子类别的准确率分层；f,g 与 CFM-ID、MSNovelist、MetFrag、MS-FINDER、ICEBERG 的覆盖度与准确率对比。© Nature Communications, 2026.

把舞台从"标准库"搬到"真实样本"才是真正的考验。作者在 5 类真实生物样本（细胞、脑、肝、血浆、尿液）里共采集了 1,720 张 MS² 谱，先用自家标准库做 Level 1 注释作 ground truth，再喂给 MetGenX：

• - 覆盖率：1,720 张谱里 MetGenX 成功标注 1,681 张（97.7%），与 ICEBERG（97.8%）相当，远超 MS-FINDER（73.3%）。
• - 准确率：Top-1 = 68.5%，Top-3 = 89.2%，Top-5 = 94.5%——按代谢物去重后 Top-1 = 64.9%、Top-3 = 85.3%。
• - 加合物维度：[M+H]+ Top-3 90.5%、[M-H₂O+H]+ 76.8%、[M+Na]+ 60.0%。
• - 化学类别维度：脂质（lipids）表现尤其亮眼——结构规律性强、模板丰富。

横评 5 个主流 in silico 工具：

• - MetGenX Top-3 89.2% > ICEBERG 81.0% > CFM-ID 67.4% > MS-FINDER 56.4% > MetFrag 57.4% > MSNovelist（具体见原图 4g）。
• - 覆盖度与准确率同时占优——这正是现有工具的痛点：传统方法覆盖度低（CFM-ID 88.9%），生成类方法准确率低（MSNovelist 较低）。

最后用 200 个 spike-in 代谢物标准品做了一次"盲测"：在 mouse liver 中检测到 177 个，MetGenX Top-3 = 92.1%；NIST 1950 血浆中检测到 166 个，MetGenX Top-3 = 89.2%——与无 spike-in 时的 89.2%/82.5% 几乎完全对齐，证明标注结果稳健可信。

六、跨模式泛化：正/负离子模式不需要重训

▲ 图5 MetGenX 在负离子模式下的表现。a 同一模型直接用于负模式；b,c 负模式数据库受限/自由生成 Top-N 准确率；d 各生物样本类型 Top-N 准确率；e,f 6 工具横评（覆盖度与准确率）。© Nature Communications, 2026.

负离子模式一直是非靶向代谢组学的"硬骨头"——参考谱少、工具表现普遍下滑。MetGenX 因为走的是"结构引导"路线，不需要在负模式数据上重新训练，模型就直接能用：

• - 在 653 张 NIST 负模式测试谱上：Top-1 49.7%、Top-3 75.4%（数据库受限），与正模式表现几乎相当。
• - 真实生物样本（2,417 张谱）：Top-1 60.7%、Top-3 82.5%——再次横扫 CFM-ID（53.0%）、MetFrag（57.4%）、MS-FINDER（60.4%）、ICEBERG（71.2%）。
• - 同 spike-in 验证逻辑下，mouse liver Top-3 92.1%，NIST 血浆 Top-3 89.2%——正负两套体系下结论一致。

这套"零重训"的能力对于实际项目意义重大：很多实验室切正负模式跑两套流程，过去都得为负模式单独训练/微调模型，MetGenX 一次训练两套模式通用。

七、真正的硬菜：小鼠肝脏挖出 2 个全新代谢物

▲ 图6 MetGenX 在小鼠肝脏未靶向代谢组数据中的实战表现。a 多步骤注释工作流（库匹配→数据库受限→数据库自由）；b 腺苷酰半胱氨酸结构；c 用合成标准品验证 RT 与 MS²；d 该代谢物在不同组织中的丰度分布；e 腺苷 5′-二磷酸 5′-肌苷（Ap2I）结构；f 用合成标准品验证；g Ap2I 在不同组织中的丰度分布。© Nature Communications, 2026.

最后，也是最让人兴奋的部分：作者把 MetGenX 用到了一个真实未靶向代谢组学项目——小鼠肝脏（6,564 个带 MS² 的代谢特征，2,979 个能确定分子式）。

他们设计了一个多步骤注释工作流（Fig. 6a）：

1. 库匹配（Level 1 注释）—— 命中 516 张；
2. 数据库受限模式 —— 命中高质量候选 541 张（candidate score > 1.2）；
3. 数据库自由模式 —— 再多覆盖 1,528 张；
4. 剩下 394 张彻底无法生成，可能真的就是"未知的未知"。

最硬核的两个发现：

7.1 腺苷酰半胱氨酸（adenosyl-cysteine，C₁₃H₁₈N₆O₅S）

• - m/z = 371.1131，RT = 394 s，分子式 C₁₃H₁₈N₆O₅S。
• - 在数据库受限模式下，用一组核苷酸相关模板生成，Top-1 候选得分 2.0。
• - 关键：HMDB 和 KEGG 里都没有这条结构。
• - 用化学标准品合成后做对比，RT 与 MS² 完全对得上。
• - 组织分布：肾 > 肝 > 其他；在脂肪、肌肉中几乎检测不到。
• - 浓度：约 10.80 ± 0.10 pmol/mg 组织。

7.2 腺苷 5′-二磷酸 5′-肌苷（Ap2I，C₂₀H₂₅N₉O₁₄P₂）

• - m/z = 678.1066，RT = 439 s，分子式 连背景库都没有。
• - 在数据库自由模式下，用核苷酸相关模板引导，MetGenX 把 "adenosine 5′-diphosphate 5′-inosine (Ap2I)" 推为 Top-3 之一（候选得分 2.6）。
• - 关键：Ap2I 是一种此前未被表征的二核苷酸多磷酸（dinucleoside polyphosphate），连 PubChem 都没有。
• - 多重实验验证：
• - 合成标准品的 RT 与 MS² 与生物峰一致（正负模式都对上）；
• - 把 AMP + IMP 混合进样不会在 ion source 里"拼"出 Ap2I 信号——排除假阳性；
• - Ap2I 与 AMP/IMP/ADP/ATP 的 RT 完全不同——排除 dimer 假象；
• - 碰撞能量 ramp 实验中，Ap2I 前体离子强度随 CE 增大而下降，碎片离子出现——符合真正的代谢物碎片模式。
• - 组织分布：脾 > 肝 > 心 > 脑；在肌肉、WAT、肠、肺中检测不到（nd）。
• - 浓度：约 2.97 ± 0.92 pmol/mg 组织。

这两个发现的意义在于：MetGenX 不是在已知的化学空间里找东西，而是在帮你把"暗物质代谢组"打开一个口子。

八、与 MetDNA3、MassSpecGym 的横向对位

作者也做了"在别人场子里的较量"：

• - vs MetDNA3（网络传播型工具）：在 20 个真实生物数据集上，MetGenX 覆盖度 84.2% vs 68.1%，但准确率 78.1% vs 84.4%——覆盖度更高，准确率略低。原因是 MetDNA3 整合了 RT 等额外信号做约束，而 MetGenX 只用 MS²。两者互为补充，而不是简单替代。
• - vs MassSpecGym 基线（公共基准）：数据库受限 Top-1 18.34%，超过 MIST（9.57%）、DeepSets+FF（6.56%）、Fingerprint FFN（5.09%）；数据库自由 Top-1 2.50%、Top-10 4.62%，与 DiffMS（4.25%）相当，显著高于 MSNovelist/Spec2Mol/Neuraldecipher（这三个在该基准上 Top-1 = 0）。即使在"对模板不友好"的 MassSpecGym（要求测试分子与训练分子 MCES > 10），MetGenX 仍保持竞争力。

九、MetGenX 解决了哪些真正的痛点

回头看，MetGenX 的核心贡献可以浓缩成 3 件事：

1. 把"谱图→结构"重新定义为"结构→结构"

   ——让生成模型能利用 200 万级结构数据训练，绕开参考谱稀缺的天花板。

2. 模板引导 + 重排序

   ——让生成结果既"化学合理"又"谱图可解释"，把"幻觉结构"压到可接受水平。

3. 正/负模式通用 + 库内/库外双模式

   ——一套模型、一个流程，覆盖了实际项目里 90%+ 的标注场景，并在真实样本里挖出了 2 个此前没有的新代谢物。

局限性也值得注意：模板检索的覆盖率受限于参考谱库——作者统计约 7.5%–10% 的谱图检索不到合适模板，这一部分只能等谱库扩充。对"完全跳出已知化学空间"的任务，database-free 模式的 Top-1 还有提升空间。以及，重排序模型也依赖模板，理论上可能限制新骨架的探索。

十、对代谢组学/中药入血研究的启示

• - 对代谢组学服务/平台：模板 + 重排序的思路可以很容易复用到自家标准库 + LightGBM/XGBoost 重排——哪怕不上深度模型，也能先吃到一波"结构引导"的红利。
• - 对中药入血/网络药理学：当我们在做"原药 → 入血成分 → 靶点 → 通路"链条时，MetGenX 这种 de novo 注释工具可以帮我们把"原型药物代谢物对应的未知代谢物"找出来——尤其适合那些人参、黄芪、姜黄这类含有大量 glycoside、酰化、糖基化修饰的中药。
• - 对检测方法学：当 LC-MS 报告里出现"未注释的分子式"时，MetGenX 提供了一种系统化的"猜结构 + 排序"思路，比单纯靠人工解析二级谱要快几个数量级。
• - 对科研服务公司：2 个新代谢物的发现（其中一个连 PubChem 都没有）说明，算法创新直接带动"新分子发现"业务——这一点对 ToB 端的"未知物鉴定/未知代谢物 de novo 鉴定"服务来说是直接的能力升级。

十一、资源与引用

• - 论文：Wang H, Zhang H, Zhu ZJ. *Structure-informed deep generation enables de novo metabolite annotation in untargeted metabolomics*. Nature Communications, 2026, 17:5426.
• - DOI：10.1038/s41467-026-72149-6