La metabolómica no dirigida juega un papel crucial en la ola de medicina de precisión y descubrimiento de biomarcadores. Sin embargo, la identificación de compuestos sigue siendo desafiante debido a la incompletitud de la biblioteca de referencia de espectro existente. Para resolver este problema, el Instituto Federal de Investigación y Pruebas de Materiales (BAM) alemán y un equipo de investigación de la Free University of Berlin desarrolló conjuntamente Fiora, una red neuronal de gráfico de código abierto (GNN), diseñado para simular el proceso de espectrometría de masas en tándem para ayudar a mejorar la precisión del reconocimiento de espectrometría de masas.
El núcleo del modelo Fiora es que utiliza información local de vecindad de enlaces en moléculas para aprender los patrones de ruptura de los compuestos, derivando así la probabilidad de iones fragmentados. En comparación con los algoritmos de fragmentación tradicionales iceberg y CFM-ID, Fiora funciona excelente en predicción de calidad y puede predecir otras características como el tiempo de retención (RT) y la sección transversal de colisión (CCS). Este resultado de investigación pionero se publicó en Nature Communications el 7 de marzo de 2025.
El diseño de Fiora hace un uso completo de las GPU de alto rendimiento, valida rápidamente anotaciones compuestas supuestas y expande significativamente la biblioteca de referencia espectral con predicciones de alta calidad. Este progreso es de gran importancia para promover la investigación sobre metabolómica no dirigida, especialmente cuando se analiza compuestos desconocidos. La investigación en este campo ha sido lenta en la última década debido a la escasez del espectro de referencia de alta calidad. Por ejemplo, el desafío CASMI 2016 mostró que la tasa de recuperación de los métodos de simulación de computadora fue solo del 34%, mientras que ni siquiera fue del 30% en 2022. Esto muestra la necesidad urgente de una nueva solución.
Fiora es único en el sentido de que puede evaluar de forma independiente los eventos de disociación de bonos basados en la estructura local de cada compuesto. Este método simula el proceso de fragmentación física en la espectrometría de masas más directamente que muchos algoritmos existentes. Además, Fiora no solo funciona bien cuando se dirige a compuestos similares, sino que también es impresionante su capacidad para promover estructuras desconocidas.
Para garantizar su efectividad, la Fiora probada en múltiples conjuntos de datos y los resultados mostraron que la similitud media entre sus espectros de masas predichos y el espectro de referencia alcanzaron más de 0.8, y en algunos casos, 10% a 49% más que el algoritmo de competencia. Además, el diseño modular de Fiora le permite adaptarse de manera flexible a diferentes objetivos predictivos, mostrando una excelente versatilidad.
El lanzamiento de Fiora no solo llena el vacío en el análisis de espectrometría de masas, sino que también proporciona una herramienta poderosa para futuras identificaciones e investigaciones compuestas.