研究显示，当前天然小分子化学空间的探索不足10%，且90%的质谱图因缺乏注释而无法利用。捷克科学院团队开发的DreaMS模型通过自监督学习从7亿条质谱数据中提取分子特征，显著提高了质谱注释的准确性，为新药发现和疾病诊断提供了重要资源。

机器之心数据服务现已上线，提供高效稳定的数据获取服务，帮助用户轻松获取所需数据。

质谱分析是现代化学研究的重要技术，高分辨率质谱提高了分析精度。俄罗斯科学院的研究人员开发了机器学习驱动的MEDUSA Search引擎，能够在TB级质谱数据中发现未知化学反应，降低实验成本并扩展化学认知。该方法通过同位素分布搜索算法自动生成反应假设，推动有机化学的发展。

本研究解决了从质谱数据中生成关于生命起源假设的挑战，特别是在存在环境污染物和光谱峰复杂性的问题时。提出的AstroAgents系统通过多个协作智能体的合作，有效地分析并生成可行的假设，实验结果显示36%的假设被认为是合理的，其中66%是全新的。此工作为未来的行星科学研究提供了新的思路和方法。

本研究针对MS/MS光谱注释中缺乏结构标注的问题，提出了一种基于骨架的全新分子结构生成方法MADGEN。该方法通过两个阶段实现：首先通过对比学习进行骨架检索，然后基于骨架并结合光谱信息生成最终分子。研究结果表明，该方法能有效减少分子生成搜索空间，提高生成准确性，具有重要的应用潜力。

本文介绍了一种基于机器学习的方法来预测分子红外光谱，能够获得非常精确的机器学习模型。该方法在甲醇分子、含有多达200个原子的正构烷和质子化的丙氨酸三肽的情况下，将其应用于模拟红外光谱，并发现与理论和实验光谱具有出色的一致性。