Detection of novel molecules from tandem mass spectrometry data using machine learning

Abstract

Hmotnostní spektrometrie spojená s kapalinovou chromatografií (LC-MS/MS) je jednou z nejpoužívanějších technik pro objevování a identifikaci molekul v biologických a environmentálních vzorcích. Typický experiment LC-MS/MS produkuje tisíce hmotnostních spekter, zůstává však velkou výzvou určit, která z těchto spekter odpovídají strukturně novým molekulám. Tato práce představuje standardizovaný benchmark, který může pomoci při vývoji, hodnocení a analýze nástrojů pro detekci dosud neznámých molekul založených na strojovém učení. V rámci benchmarku jsou implementovány dvě jednoduché metody, které demonstrují jeho použití.

Tandem mass spectrometry coupled with liquid chromatography (LC-MS/MS) is one of the most leading techniques for identifying and discovering molecules in biological and environmental samples. A typical LC-MS/MS experiment produces thousands of mass spectra, yet it remains a challenge to prioritize which of these spectra correspond to structurally novel molecules. This thesis introduces a standardized benchmark that can help to develop, evaluate, and analyze machine-learning novelty detection tools for small molecules. Two simple methods are implemented within the benchmark to showcase its use.