Nat. Commun. | 机器学习驱动的质谱大数据解码：探索未知有机反应

DRUGAI

科学界积累的大规模数据已超出现有处理方法的能力，凸显出亟需高效算法来深入挖掘实验数据。为应对这一挑战，研究人员开发了一种专为太量级高分辨质谱（HRMS）数据设计的机器学习搜索引擎。该引擎结合同位素分布算法与两个协同的机器学习模型，助力发现未知化学反应。这一方法不仅高效支持化学假设验证，减少实验需求，还拓展了自动化反应假设生成的可能性。在实际验证中，研究人员成功识别出多种反应，包括Mizoroki-Heck反应中的杂环-乙烯基偶联，展示了该引擎解析复杂化学过程的潜力。

实验在验证假设和推动化学发现中起着关键作用。然而，实验过程往往受限于方法效率、试剂成本、废物处理、操作延迟以及数据处理的复杂性，导致耗时较长。为此，研究人员主要采用两种策略来降低实验所需的时间和人力资源：一是自动化数据采集，例如自动合成、基于质谱的蛋白质组学或高通量显微成像；二是自动化数据解析，如化学空间探索、核磁共振或质谱数据分析。

此外，研究人员也提出第三种策略，即利用已有实验数据进行假设验证，从而减少新的实验需求。尽管该策略面临数据可获取性与管理（如遵循FAIR原则）等挑战，但通过建立开放数据库和共享分析平台等方式，这些问题正在逐步解决。然而，目前仍缺乏专门的软件来实现高效的化学数据搜索与提取。

在有机合成中，研究人员通常通过设定特定反应条件、准备样品，并使用分析方法（如高分辨质谱 HRMS）进行产物检测。HRMS 凭借分析速度快、灵敏度高和数据积累便利等优势，被广泛应用于多个化学领域。日常实验中，HRMS实验室会持续产生大量质谱数据，短时间内便可积累上万个文件，总量高达数TB。然而，人工分析通常只关注目标产物及少数副产物，忽略大量潜在的信号，导致已有数据资源被严重低估。

因此，研究人员提出开发能在TB级数据库中高效筛查分子模式的方法，有助于在无需新实验的前提下，实现绿色、低成本的化学发现。

本研究展示了一种面向质谱数据的搜索引擎思路，通过自动化离子检测算法，开发出名为 MEDUSA Search 的工具。该工具能够在高复杂度的HRMS数据库中高效搜索目标离子，并识别已知与未知的化学产物、转化路径或杂质。该方法不仅避免化学品消耗与实验废弃物，还能辅助用户利用如NMR、MS/MS等手段进行后续验证。

目前复杂质谱数据的搜索主要应用于代谢组学和蛋白质组学，常依赖于将实验MS/MS谱与理论谱进行匹配，但存在化学空间覆盖有限等问题。此外，尽管部分软件已实现同位素分布识别，但其准确性仍受限，易导致误报。

为了克服监督学习中标注数据稀缺的问题，研究人员采用了合成质谱数据进行模型训练。过去相关研究已验证合成数据在原子模式识别、去同位素处理和反向结构预测中的可行性，同时，质谱增强技术也在持续发展中。

综上，研究人员提出了一种基于合成数据训练的搜索算法，应用于超过8TB、含22000个HRMS光谱的数据库中，实现大规模离子搜索。MEDUSA Search 不仅适用于多种离子形式，还可广泛应用于催化反应、偶联反应等多个领域。作为示例，该工具成功发现了Mizoroki–Heck反应中一个此前未被关注的杂环-乙烯基偶联过程，充分体现出其在揭示被忽略化学现象方面的优势。

这种“重用过去实验”的策略，为交叉偶联与加氢反应中催化转化路径的发现提供了新途径，也证明了有机化学领域在数据复用上的巨大潜力。

结果与讨论

搜索引擎概览

为了实现反应发现流程，研究人员首先开发了一个搜索引擎，即本文提出方法的核心。MEDUSA Search 引擎采用了一个由五个步骤组成的机器学习驱动的搜索流程（见图2）。其多层架构借鉴了网页搜索引擎的设计，确保了搜索速度的实用性。

值得一提的是，该搜索系统无需大量标注质谱数据即可训练。所有模型均通过合成质谱数据进行训练，合成数据基于分子式构建同位素分布图，并通过模拟仪器误差进行数据增强。

在正式搜索之前，需基于反应系统的先验知识生成一系列假设反应路径（图2，步骤A）。此处，我们基于可断裂的化学键及其重组片段构建查询离子。用户可提供潜在的反应片段，系统会自动组合生成查询离子；同时也支持基于BRICS片段化或多模态大模型生成假设（示例见补充材料 S5）。假设生成方法仍是一个开放研究问题，未来的新方法可轻松集成至本系统。

当输入离子的分子式和电荷信息后，系统可计算其理论同位素分布图。接着，在构建的倒排索引中搜索该离子最强的两个同位素峰，允许精度为0.001 m/z（图2，步骤B）。包含这些峰值的质谱数据被定义为候选谱图，后续步骤将在这些候选中进行更精细的搜索。

在候选谱图中，系统执行查询离子的同位素分布匹配，包括三个步骤：

• 估算离子是否存在的初始阈值；
• 在谱图中匹配同位素分布；
• 筛除误判结果。

其中，匹配算法以余弦距离衡量理论分布与候选谱图中观测分布的相似度。是否存在该离子取决于预先估算的余弦距离阈值，该阈值由离子分子式决定。该阈值由一个机器学习回归模型估算。

在分布匹配步骤（图2，步骤C2）中，算法将理论峰与实验谱图中的峰逐一匹配，并计算余弦距离。如果某一峰缺失，则以噪音中位数作为替代。最终余弦距离若小于离子存在阈值，则认为该离子在谱图中被发现。

为避免误判（例如将目标分布错误识别为其他离子的子集），系统引入了额外的ML分类器，利用邻近峰的信息判断是否为假阳性。

反应发现策略

在提出多种可能新反应的假设路径之后，为尽可能覆盖广阔的化学空间，本研究通过组合法则生成候选产物的分子式（即结构唯一、取代基不同的分子式），并将其与现有的质谱数据进行自动化比对，以实现反应发现与数据驱动的离子搜索之间的结合。来自以往实验的 FAIR 描述数据同样在实际验证搜索结果中起到了重要作用。

在无任何先验成分信息的前提下，研究人员在超过20,000个质谱数据中进行新反应产物的搜索（图3b）。该搜索过程不限制文件名、实验记录者或其他可能缩小搜索空间的信息。为可视化大规模数据集的复杂性，采用 t-SNE 降维技术绘制了两个图谱：图3a 显示这些质谱所覆盖的化学空间具有良好的多样性，而图3b 中每个点代表一个质谱图，相似的图谱在空间中彼此靠近。由图中可见，不同研究人员记录的谱图存在显著差异；同时也能识别出由多人参与的同一项目记录的相似谱图。其中，操作员C负责样品接收服务，记录了最多样化的数据。

在有机反应研究中，中间体的发现对于机制解析和新反应路径设计至关重要，电喷雾电离质谱（ESI-MS）是常用的检测工具之一[65–70]。为验证所开发搜索引擎的实际适用性，研究人员以 Pd/NHC（NHC = N-杂环卡宾）催化反应为例，结合离子公式生成方法，探索了潜在的新反应路径（图3c）。对于13种结构核心中的每一个官能团或NHC配体（图3d），均计算出对应的分子式，最终共生成520个离子公式，其中400个具有唯一质量。由于高分辨质谱（HRMS）在不进行碎片化的前提下，仅能提供分子式信息，因此不能区分结构异构体。

生成假设集合后，研究人员将其应用于先前采集的数据和实验记录中进行验证。整个搜索流程（图2）对这520个生成离子逐一运行，遍历 TB 级质谱数据库，总计算时间为3–4天（平均每个离子8–11分钟）。结果发现多个具有代表性的同位素分布模式，但多数搜索结果无法验证，原因是缺乏 FAIR 数据来识别反应混合物的初始组成。不过，部分样本通过实验室记录得以验证，汇总结果如下：

• 在所有与 M/NHC 催化相关反应中检测到相应的唑鎓盐离子（m/z 147）（图4a）；
• 在交叉偶联反应中检测到已知的 [phenyl-NHC]+ 离子（m/z 223）（图4a）；
• 在 Sonogashira 反应中检测到近期发现的 [ethynyl-NHC]+ 离子（m/z 247）（图4a）；
• 在 Sonogashira 反应中检测到未知的 [ethyl-NHC]+ 离子（m/z 251）（图4a）；
• 在 Pd/NHC 催化的 Mizoroki–Heck 反应中检测到未知的 [vinyl-NHC]+（m/z 273）和 [vinyl-phenyl-NHC]+（m/z 591）离子，该结果由不同年份不同研究者记录（图4b）；
• 在 Pd/NHC 催化的氢化反应中检测到未知的 [vinyl-NHC]+ 离子（m/z 325）（图4c）。

图3e 总结了整个搜索中检测到的离子数量，这些离子均具有唯一的质量。结果显示，最常见的转化类型为 phenyl–NHC 偶联，而 vinyl–NHC 偶联则较为罕见。所得结果与反应路径的量子化学计算研究相一致。

需要指出的是，大多数离子的反应来源无法明确确认，缺乏进一步结构确认实验。因此，后续仍需开展更深入的实验验证工作（图5）。

除 Pd/NHC 催化反应外，为展示搜索引擎的多样化应用能力，研究人员还利用其识别了镍催化烯硫化反应中的副产物。

实验验证

图3d中催化剂转化产物的形成与相关反应机理密切相关。研究人员此前已进行多种Pd/NHC催化的Mizoroki–Heck和偶联反应（如Sonogashira、Suzuki、Buchwald-Hartwig等），使用不同的NHC配体和卤素取代基。在通过ESI-MS分析反应混合物时，发现了[NHC-H]+、[NHC-Ph]+、[NHC-O]+ 和 [NHC-N]+等偶联产物。基于这些结果，研究人员揭示了R-NHC偶联和M-NHC键断裂在催化条件下M/NHC复合物转化过程中的关键作用。此类研究首次描述了M/NHC催化剂活性种的演化过程及无NHC共催化体系的形成，包括H-NHC盐和O-NHC偶联产物的形成。

在Sonogashira反应中，研究人员分离得到了此前未知的乙炔-NHC偶联产物，并探讨了可能的反应路径。该产物较为活泼，可能参与其他转化反应。在分析氢化衍生物的过程中，ESI-MS谱图中还观察到了[NHC-(CH2)2-Ph]+产物，推测可能通过氢转移反应生成。

类比乙炔-NHC和芳基-NHC偶联产物的发现，研究人员预测在Mizoroki–Heck反应中可能形成插入步骤前后的两种乙烯基-NHC偶联产物。实验表明，这两类产物均可在反应混合物中检测到。为了验证此转化过程，研究人员回溯实验记录，在p-甲氧基碘苯与丁基丙烯酸酯反应中（催化剂为[BIMePh]+[BIMePdI3]-），通过超高分辨质谱确认了[BIMe(CH)2COOBu]+的分子式。在另一实验中，为区分均相与非均相催化机制，研究人员采用[IPrCHC(Ph)COOBu]+的生成实验（未添加汞），也通过超高分辨质谱与MS/MS验证其结构。

进一步实验表明，使用不同NHC配体的Pd复合物也均可观察到乙烯基-NHC偶联产物，表明该反应具有普适性。研究人员测试了五种不同的Pd/NHC配合物，在所有情况下均检测到乙烯基-NHC和乙基-NHC产物，且质量误差小于1 ppm。为防止在测定过程中发生转化，研究人员调整了MS设置。通过ESI-MS监测也进一步确认了该偶联产物的存在。

此外，在转移氢化反应中，也观察到了另一类型的乙炔-NHC偶联产物的形成，揭示了该催化体系的动态特性，为开发Pd催化的咪唑环官能化反应提供了新线索。

为进一步验证这些新发现反应的可行性，研究人员还进行了DFT理论计算，证实了乙烯基-NHC偶联路径的合理性。

本研究开发了一种基于机器学习的高效反应发现计算系统。该方法从化合物假设生成入手，利用同位素分布算法与两个机器学习模型组合，显著降低了误报率，从而提升了海量数据库中的搜索效率。模型具备良好的可解释性，搜索步骤经过合成和实验验证，突出体现了以同位素分布为核心的优势策略。

此系统适用于所有具备足够分辨率检测同位素分布的质谱仪，结合其他计算方法（如离子碎片预测、加合物分析）后可成为强大的分析工具，加速多学科研究进展。

尽管FAIR数据描述是该方法的关键前提，研究人员仍可通过多次查询降低误报率，例如同时搜索产物和起始原料，以缩小验证范围。此外，本研究强调了数据规范采集与描述在反应发现中的重要性。

该系统已成功识别出Pd/NHC催化反应中的新型副产物，实现了“回顾性实验发现”理念的实践，主要体现在以下两方面的新颖性：

• 反应路径新颖性：部分发现虽在其他催化体系中已有报道，但此前未在相关反应中被提出，如H-NHC盐、乙炔-NHC偶联等产物，可通过NMR和单晶衍射等方法验证。这些发现有助于联系不同催化体系之间的共性，推动催化剂设计。
• 全新反应或产物：首次提出Mizoroki–Heck反应中可能发生乙烯基–NHC偶联，产物[BIMe(CH)2COOn-Bu]+[X]-和[IPrCHC(Ph)COOn-Bu]+[X]-此前从未被报道，且在SciFinder和Reaxys数据库中均无记录。研究还观察到多种氢化产物，提出了进一步机制研究的可能性。

所有发现均通过不同配体体系下的实验复现、超高分辨质谱验证（误差小于1 ppm）以及MS/MS结构确证，结合理论计算，进一步增强了反应可行性的信心。

研究人员将继续探索质谱数据自动解析，期待其在未来成为化学发现的重要途径。

整理 | WJM

参考资料

Kozlov, K.S., Boiko, D.A., Burykina, J.V. et al. Discovering organic reactions with a machine-learning-powered deciphering of tera-scale mass spectrometry data. Nat Commun 16, 2587 (2025).

https://doi.org/10.1038/s41467-025-56905-8