一、研究背景
在非靶代谢组、天然产物研究中，大量未知化合物无法通过传统谱图库匹配完成鉴定，需要依靠MS/MS 从头结构生成算法直接从质谱推导分子结构。
2025 年提出的 DiffMS 利用图扩散模型开辟了质谱条件分子生成的新思路，但存在两个现实短板：一是图扩散架构难以利用亿级无标注分子做预训练，化学先验学习受限，且推理速度极慢；二是容易产生与质谱碎裂行为矛盾的 “幻觉片段”，缺少定向纠错能力，只能靠增加采样碰运气。
为解决训练规模、推理速度以及分子幻觉三大问题，DiffMS 原团队提出 FRIGID 框架。
二、方法介绍
FRIGID 全称 Fragment Refinement via ICEBERG‑Guided Inference Diffusion，整体由FRIGID‑base 基础扩散语言模型 + ICEBERG 引导推理迭代精炼模块两部分组成。不再直接生成分子图，采用SAFE 片段序列作为中间分子表征，更适合片段级掩码、重编辑操作。
2.1 FRIGID‑base：掩码扩散语言模型 MDLM
管线遵循「实验质谱→分子指纹→SAFE 序列→分子结构」的两阶段范式：
- 构建条件信号：MS/MS 谱输入 MIST 编码器预测 Morgan 分子指纹，结合上游给出的分子式；指纹与分子式编码为条件嵌入，通过交叉注意力输入 Transformer。借助 NGBoost 依据分子式预测 SAFE 合理序列长度，规避无效序列。
- 大规模预训练：基于 BERT 式掩码扩散语言模型 (MDLM)，对 SAFE 序列 token 做掩码‑还原学习。该架构支持最高10 亿规模无标注分子库预训练，充分学习通用化学知识；测试集分子全部从预训练数据中剔除，避免数据泄露。
- 条件生成解码：推理时以指纹、分子式作为条件，逐步还原掩码 SAFE token，再转换为可用于评估的 RDKit 分子对象。
2.2 ICEBERG 引导循环一致性精炼（核心创新）
生成结果仍会出现和实测谱冲突的幻觉子结构。FRIGID 没有采用单纯增加采样、延长扩散步数的朴素方案，引入正向碎裂模型 ICEBERG，搭建「生成分子→模拟质谱→定位错误片段→定向掩码重去噪」闭环迭代流程：
-
ICEBERG 作为 “结构转质谱” 正向模型，由候选分子模拟 MS/MS 谱，并且可以将质谱峰溯源到分子内部对应的原子与子片段。 -
比对模拟谱与实测谱，区分匹配峰与幻觉峰，给分子原子打上一致性得分，幻觉片段对应的原子获得负向分数。 -
将原子得分聚合至 SAFE 序列 token 层面，只对出错片段对应的 token 做概率掩码，不会打乱整个分子序列。 -
将部分掩码的序列重新送入 FRIGID‑base 重生成，得到修正后的候选分子；多轮迭代持续扩充候选池。
消融实验证实：性能提升来源于定向片段修正，不是单纯堆算力；同等计算预算下，随机掩码、重复从头生成效果均弱于本方案。该纠错逻辑具备模型无关性，移植到 DiffMS 同样可以涨点，但会带来极高时间成本，实用性很差。
三、实验结果
采用领域两大公开基准数据集 NPLIB1、MassSpecGym（高难度骨架分布外测试集），基线包括 DiffMS、MADGEN、MS‑Novelist、MS‑BART、MolForge 等主流模型，评价指标包含 Top‑k 准确率、MCES、Tanimoto 相似度；全部实验默认给定真实分子式。
3.1 核心基准性能
- NPLIB1 数据集
DiffMS Top‑1 精确匹配准确率 8.34%；无纠错的 FRIGID‑base 达到 19.80%；完整 FRIGID（开启 ICEBERG 迭代精炼）达到25.03%，Top‑1 准确率约为 DiffMS 的 3 倍；Top‑10 准确率 33.37%，结构相似度全面优于基线。 - MassSpecGym 高难度数据集
DiffMS Top‑1 仅 2.30%；FRIGID‑base 达到 16.09%；完整 FRIGID 实现18.29% Top‑1 准确率，是该基准首个突破 18% 的模型，相对 DiffMS 提升 7 倍。
3.2 现实场景补充验证
-
即使不能完全还原真实分子，FRIGID 大量输出属于 “有意义匹配 (Tanimoto≥0.4)”、“接近匹配 (Tanimoto≥0.675)”，依旧能够给科研人员人工解析提供重要参考。 -
如果替换为 MIST‑CF 预测的 Top‑5 候选分子式而非真值分子式，模型性能明显下降，再次说明分子式准确性是当前体系的核心瓶颈。 -
消融对比证实：“质谱→指纹→分子” 两阶段架构，效果优于端到端直接从质谱生成分子。
四、总结
FRIGID 不是 DiffMS 的简单调参升级，属于质谱从头解析的范式迁移：放弃开销巨大的图扩散，采用 SAFE 序列扩散语言模型，释放亿级分子预训练潜力；再结合 ICEBERG 正向碎裂模型实现片段定向纠错，有效缓解分子幻觉。
核心亮点：
- 性能刷新 SOTA：两大基准数据集大幅超越已有方法；NPLIB1 Top‑1 为 DiffMS 的 3 倍，MassSpecGym 首次突破 18%；
- 推理效率大幅提升：序列扩散带来 20 倍速度提升，让多轮迭代纠错具备落地可行性；
- 新颖纠错范式：不只是过滤候选，而是定位幻觉片段、局部重生成，纠错思路可迁移到其他分子生成模型。
现存局限：
- 强依赖准确的分子式：真实生物样本中分子式本身很难推断；分子式出错，后续生成全部失效。
-
实验基于质量较好的公开基准数据集；面对真实样本低丰度、基质干扰、高噪声质谱，鲁棒性还需要更多实测验证。 -
高准确率模式下迭代精炼会带来不小 GPU 算力开销。
FRIGID 证明质谱驱动分子生成不必直接生成分子图；结合片段序列表示与正向碎裂模拟是极具潜力的方向。后续重要方向：降低对真实分子式的依赖、增强噪声谱鲁棒性，推动生成式 AI 真正走进大规模非靶代谢组分析流程。
论文链接：https://arxiv.org/abs/2604.16648