MassGAT：一种基于图的集体学习方法，用于LC-MS数据的非靶向检测与注释

研究动机：液相色谱-高分辨率质谱联用（LC-HRMS）数据的非靶向处理，是实现代谢物全面且稳健表征的一项重大挑战。尤其是，由于数据规模庞大且结构复杂，峰检测和峰注释是两项极具挑战性的任务。现有流程通常对这两项任务分别独立处理，而未考虑同一化合物不同离子形式之间信息的冗余性。 结果：我们开发了一种创新且高效的方法，将检测与注释相结合，具体方式为：1）将推定来源于同一分子的信号表示为图；2）利用图注意力网络（GAT）推断每个连通分量内峰及其连接的有效性。我们在真实数据集上证明，所得的 MassGAT 模型在检测和注释两个方面均优于当前方法。 可获得性与实现：MassGAT 开源 Python 模块已公开发布，地址为 https://github.com/odisce/MassGAT。

研究动机：液相色谱-高分辨率质谱联用（LC-HRMS）数据的非靶向处理，是对代谢物进行全面且稳健表征的一项重大挑战。特别是，由于数据规模庞大且复杂，峰检测与注释是两项具有挑战性的任务；当前现有流程通常对这两项任务进行独立处理，未考虑同一化合物不同离子种之间信息的冗余性。

研究结果：我们开发了一种创新且高效的方法，将检测与注释相结合：1）将推定来源于同一分子的信号表示为图；2）利用图注意力网络（GAT）推断每个连通分量内峰及其连接的有效性。我们在真实数据集上证明，所得的 MassGAT 模型在检测和注释两方面均优于现有方法。

可获取性与实现：MassGAT 开源 Python 模块已公开发布于 https://github.com/odisce/MassGAT。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.07.29.741473v1?rss=1

🏷️ LC-MS 非靶向代谢组学 峰检测 峰注释 图注意力网络 计算方法