论文标题：GLACIER: Rethinking Mass Spectrum Prediction as an Object Detection Problem
作者：Rui-Xi Wang、Runzhong Wang、Connor W. Coley
论文版本： arXiv v2，2026年10月5日
研究任务： 分子结构 → 串联质谱（MS/MS）预测
方法： 图 Transformer（Graphormer）、目标检测 Transformer（DETR）、注意力机制（Attention）
研究背景
传统的串联质谱（MS/MS）预测通常分两阶段：先依据规则或模拟器产生大量候选碎片，再由神经网络预测碎片对应的峰强度。这种方法效率较低，且受候选碎片生成规则限制。
GLACIER 作者借鉴计算机视觉中的目标检测技术（Object Detection），将分子碎裂视为 “在分子图中寻找碎片子图” ：由模型直接提出多个可能的碎片断裂模式，随后预测碎片的谱峰贡献，省去传统的候选碎片穷举流程。
GLACIER 总体预测流程
模型架构
GLACIER 由分子图编码器、碎片子图检测器、谱峰强度预测器组成，三个模块共享同一次分子结构编码。模型输入为分子图及实验条件，输出为一组 m/z 与峰强度。
GLACIER模型架构
分子图编码（左侧部分）：RDKit 提取原子、化学键等特征，并加入加合离子类型和碰撞能量。Graphormer 编码后，分别得到每个重原子的表示 N 和整个分子的表示 G，供后续模块使用。
碎片检测（中间部分）：一组可学习查询向量通过 Transformer 与分子特征交互，预测碎片外侧的断裂边界原子（即位于目标碎片外部、但紧挨着目标碎片的原子，GLACIER 用它来标记碎片的边界）。LinSATNet 约束每个查询选择 0～3 个边界原子，移除这些原子后提取图中剩余的连通部分，形成候选碎片。训练时用匈牙利匹配算法，将查询预测与参考断裂模式一一对应。
强度预测（右侧部分）：利用碎片分子式、与母分子分子式的差异等信息初始化碎片特征；通过掩码交叉注意力（Masked Cross-Attention）提取碎片包含的原子特征，再通过 Transformer 建模不同碎片之间的关联。每个碎片输出 26 种强度，分别对应 13 种氢原子变化状态（−6～+6）、 2 种电荷处理方式。最后计算各状态的 m/z，并将落入同一质量区间的强度相加，得到预测质谱。
训练策略
作者分别使用 NIST20 和 MassSpecGym 数据集训练和评估GLACIER。NIST20包含530640 张串联质谱和 25541个独立分子；MassSpecGym包含231104张质谱和31602个独立分子。模型以分子结构及实验条件为输入，以对应的实验质谱作为预测目标。
由于实验质谱通常缺少可靠的碎片结构标签，作者首先使用 MAGMa 算法为分子生成参考碎片，并转换成断裂边界标签，以辅助训练碎片检测器。训练采用渐进式策略：初始阶段主要利用断裂边界损失和基于MAGMa参考碎片的谱图损失，使模型先学会生成碎片和预测峰强度；训练约2500步后，逐渐降低 MAGMa 的监督权重，增加模型自主预测谱图与实验谱图之间的余弦距离损失权重，使模型更多地根据真实质谱优化预测结果。
完成基础训练后，作者进一步使用对比微调，将真实分子作为正样本，将相同分子式的其他候选分子和结构突变生成的分子作为负样本，训练模型区分正确与错误的候选结构，从而提高分子检索准确率。
实验结果
作者在NIST20（530640张MS/MS谱图）和 MassSpecGym（231104 张MS/MS谱图）两个数据集上评估模型性能，结果图所示
不同模型的预测谱图相似度对比
在MassSpecGym数据集上，GLACIER（未使用对比微调）的余弦相似度达到0.58，相比ICEBERG2.0的0.47，相对提升23.4%；谱图熵相似度达到0.50，相比 ICEBERG 2.0的 0.41，相对提升22.0%。
在NIST20数据集上，GLACIER（未使用对比微调）在随机划分和分子骨架划分下的余弦相似度分别达到0.821 和0.785，相比ICEBERG2.0的0.773和0.733，分别相对提升6.2%和 7.1%。结果表明，GLACIER在不同数据集和划分条件下均具有较好的质谱预测性能。
论文链接：https://arxiv.org/abs/2606.29161
模型代码：https://github.com/coleygroup/ms-pred