李峰教授团队Nature Communications: 深度学习实现化学修饰组质谱谱图精准预测

李峰教授团队在《Nature Communications》上发表了一项研究，介绍了基于深度学习的质谱谱图预测技术（DeepCDM）。该技术通过迁移学习和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化学衍生化分子（CDMs）的专用预测算法，显著提升了CDMs质谱谱图预测的准确性。研究团队还构建了丹磺酰化分子的专用模型Dns-MS和包含294647个丹磺酰化分子MS/MS谱图的专用质谱数据库DnsBank，并将其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。该研究解决了化学衍生组学中CDMs缺少标准化质谱谱图的瓶颈问题，为生物标志物发现、代谢组学及非靶向环境组研究提供了新的工具和方法。