Relational Graph Convolutional Network for Robust Mass Spectrum Classification
Notice bibliographique
Résumé
Supervised machine learning methods have shown impressive performance in interpreting mass signals and automatically segmenting spatially meaningful regions in Mass Spectrometry Imaging (MSI). Such segmentation generates maps that provide researchers with valuable insights into sample composition and serve as a foundation for downstream statistical analyses. However, these models often require data set-specific preprocessing and do not fully exploit the rich mass features available in high-resolution mass spectrometry (HRMS). Unlike low-resolution mass spectrometry, HRMS reveals additional features such as mass defects and repeated mass differences that carry important chemical information. In this work, we propose a novel deep learning architecture based on a Relational Graph Convolutional Network (R-GCN) that captures and leverages those HRMS mass features. Our model explicitly encodes structural features such as mass defects and known mass differences to represent each spectrum as a graph, enabling the learning of associations between chemically related ion families. To the best of our knowledge, no existing deep learning models for MSI classification incorporate this level of chemically informed mass structure. Most existing methods treat spectra as flat vectors or image-like inputs, thereby ignoring the underlying mass relationships. We evaluate our R-GCN approach against several conventional machine learning and deep learning baselines across diverse MSI data sets, demonstrating its robustness to common signal variations (e.g., mass shift, ion loss). Finally, we integrate Class Activation Mapping (CAM) to enhance model interpretability, enabling the identification of ion families that are relevant to specific biological or spatial regions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».