طیف‌سنجی جرمی (Mass Spectrometry یا MS) یکی از قدرتمندترین ابزارهای شیمی تجزیه برای اندازه‌گیری یون‌ها بر اساس نسبت جرم به بار (m/z) است. اما چالش بزرگ در متابولومیکس، داروسازی، سم‌شناسی، علوم محیط‌زیست و کنترل کیفیت فقط «دیدن یک پیک» نیست؛ مسئله اصلی این است که بفهمیم هر پیک به چه مولکولی تعلق دارد. کتابخانه‌های مرجع هرچقدر هم بزرگ باشند، تنها بخشی از فضای شیمیایی واقعی را پوشش می‌دهند. همین شکاف، هوش مصنوعی را به یکی از مهم‌ترین ابزارهای نسل جدید تفسیر طیف جرمی تبدیل کرده است.
طیف‌سنجی جرمی چگونه کار می‌کند؟
در یک آزمایش MS، مولکول‌ها ابتدا یونیزه می‌شوند، سپس یون‌ها بر اساس m/z جدا و آشکارسازی می‌شوند. در طیف‌سنجی جرمی پشت‌سرهم (MS/MS)، یک یون پیش‌ساز انتخاب و شکسته می‌شود و مجموعه‌ای از یون‌های محصول ایجاد می‌کند. الگوی این قطعات مانند یک «اثر انگشت ساختاری» اطلاعات ارزشمندی درباره مولکول اولیه می‌دهد.
در سامانه‌های LC–MS/MS، کروماتوگرافی مایع ابتدا ترکیبات مخلوط را تا حدی از یکدیگر جدا می‌کند و سپس طیف‌سنج جرمی آن‌ها را اندازه‌گیری می‌کند. حاصل کار می‌تواند هزاران ویژگی و طیف باشد؛ حجمی از داده که تفسیر دستی آن در مقیاس بزرگ عملاً ممکن نیست.
چرا شناسایی مولکول‌های ناشناخته دشوار است؟
روش کلاسیک، مقایسه طیف ناشناخته با طیف‌های مرجع است. اگر همان ترکیب با شرایط مناسب قبلاً اندازه‌گیری و در کتابخانه ثبت شده باشد، تطبیق طیفی بسیار مفید است. مشکل از جایی آغاز می‌شود که طیف مرجع وجود ندارد، شرایط آزمایش متفاوت است، ترکیبات ایزومر هستند یا نویز و پیچیدگی نمونه باعث ابهام می‌شود. مرورهای علمی نشان می‌دهند که محدود بودن کتابخانه‌های مرجع یکی از گلوگاه‌های اصلی شناسایی مولکول‌های کوچک است.
هوش مصنوعی دقیقاً چه چیزی را از طیف یاد می‌گیرد؟
مدل‌های یادگیری ماشین و یادگیری عمیق می‌توانند رابطه میان الگوی پیک‌های MS/MS و ویژگی‌های ساختاری مولکول را از مجموعه‌های بزرگ داده بیاموزند. این مدل‌ها به‌جای جست‌وجوی صرف برای یک طیف کاملاً مشابه، می‌توانند الگوهای شکست، زیرساختارها، اثرانگشت‌های مولکولی و حتی نمایش‌های گرافی ساختار را مدل‌سازی کنند.
۱. پیش‌بینی طیف از روی ساختار
اگر یک ساختار کاندیدا داشته باشیم، مدل می‌تواند طیف MS/MS احتمالی آن را پیش‌بینی کند. سپس طیف پیش‌بینی‌شده با طیف واقعی مقایسه می‌شود. این روش عملاً کتابخانه مرجع را از محدوده ترکیباتی که قبلاً به‌صورت تجربی اندازه‌گیری شده‌اند فراتر می‌برد.
۲. پیش‌بینی اثرانگشت مولکولی از روی طیف
در مسیر معکوس، الگوریتم می‌تواند از روی طیف احتمال وجود ویژگی‌ها و زیرساختارهای شیمیایی را تخمین بزند. سپس این اثرانگشت پیش‌بینی‌شده برای رتبه‌بندی ساختارهای موجود در پایگاه‌های داده استفاده می‌شود.
۳. استفاده از اطلاعات جانبی
جرم دقیق، الگوی ایزوتوپی، زمان بازداری کروماتوگرافی، collision cross section و خواص فیزیکوشیمیایی می‌توانند همراه طیف وارد فرایند رتبه‌بندی شوند. پژوهش‌های جدید نشان می‌دهند ترکیب چند نوع شاهد می‌تواند تعداد کاندیداهای نامحتمل را به‌طور محسوسی کاهش دهد.
۴. پیش‌بینی de novo ساختار
نسل تازه مدل‌های مولد تلاش می‌کند از خود داده طیفی، ساختارهای جدید پیشنهاد کند؛ یعنی الزاماً محدود به انتخاب یک مولکول از فهرست ازپیش‌موجود نباشد. این حوزه در سال ۲۰۲۶ به‌سرعت در حال توسعه است، اما هنوز باید میان «پیشنهاد ساختار» و «تأیید قطعی ساختار» تفاوت گذاشت.
آیا AI واقعاً میلیون‌ها مولکول را یکی‌یکی آزمایش می‌کند؟
نه به معنای آزمایش فیزیکی. عبارت «میلیون‌ها مولکول» بیشتر به فضای بسیار بزرگ کاندیداهای شیمیایی اشاره دارد. الگوریتم ابتدا با جرم دقیق، فرمول احتمالی و محدودیت‌های شیمیایی فضای جست‌وجو را کوچک می‌کند؛ سپس با اطلاعات شکست MS/MS، اثرانگشت‌های ساختاری و ویژگی‌های کمکی، کاندیداها را امتیازدهی و رتبه‌بندی می‌کند. در مدل‌های مولد، حتی امکان پیشنهاد ساختارهایی خارج از کتابخانه‌های طیفی کلاسیک نیز وجود دارد.
یک خط لوله هوشمند شناسایی ناشناخته‌ها
- جداسازی نمونه با LC یا GC و ثبت MS/MS با کیفیت مناسب.
- تشخیص پیک، حذف نویز، هم‌ترازی و تعیین یون پیش‌ساز.
- تخمین جرم مولکولی و فرمول شیمیایی محتمل.
- جست‌وجوی کتابخانه طیفی و پایگاه ساختاری.
- پیش‌بینی طیف یا fingerprint با مدل ML/DL.
- ترکیب امتیاز طیفی با زمان بازداری و سایر شواهد.
- رتبه‌بندی کاندیداها و تعیین سطح اطمینان.
- تأیید نهایی با استاندارد مرجع و در صورت نیاز روش‌های مکمل مانند NMR.
کاربردهای مهم
متابولومیکس: کشف متابولیت‌های ناشناخته و روشن‌تر شدن مسیرهای زیستی. داروسازی: شناسایی متابولیت‌های دارو، ناخالصی‌ها و محصولات تخریب. علوم محیط‌زیست: غربالگری غیرهدفمند آلاینده‌ها و محصولات تبدیل. سم‌شناسی و پزشکی قانونی: کمک به شناسایی ترکیبات ناشناخته در نمونه‌های پیچیده. صنایع غذایی: بررسی آلاینده‌ها، ترکیبات طبیعی و نشانگرهای اصالت.
محدودیت‌ها؛ چرا پاسخ AI همیشه «شناسایی قطعی» نیست؟
ایزومرها ممکن است طیف‌های بسیار مشابهی ایجاد کنند؛ داده آموزشی می‌تواند سوگیری داشته باشد؛ عملکرد مدل خارج از فضای شیمیایی آموزش‌دیده کاهش می‌یابد و شرایط دستگاه و انرژی برخورد روی طیف اثر می‌گذارد. بنابراین خروجی AI باید همراه امتیاز اطمینان و شواهد مستقل گزارش شود. برای بسیاری از کاربردهای حساس، استاندارد مرجع و داده‌های مکمل همچنان معیار مهم تأیید هستند.
آینده: از جست‌وجوی کتابخانه به «استدلال مولکولی»
مرور Annual Review of Analytical Chemistry در سال ۲۰۲۵ سه جهت کلیدی را برجسته می‌کند: پیش‌بینی طیف و خواص فیزیکوشیمیایی، بهبود تطبیق طیفی و پیش‌بینی ساختار از MS/MS. پژوهش‌های ۲۰۲۶ نیز نشان می‌دهند مدل‌های مولد de novo و روش‌های چندوجهی در حال نزدیک‌تر کردن طیف خام به پیشنهاد ساختار هستند. این تحول می‌تواند بخش بزرگی از «فضای تاریک شیمیایی» را قابل جست‌وجو کند، هرچند اعتبارسنجی تجربی همچنان ضروری است.
جمع‌بندی
طیف‌سنجی جرمی به ما می‌گوید چه یون‌هایی در نمونه وجود دارند و چگونه می‌شکنند؛ هوش مصنوعی کمک می‌کند این الگوهای پیچیده به فرضیه‌های ساختاری تبدیل شوند. ارزش واقعی AI در حذف نیاز به شیمی‌دان نیست، بلکه در غربال سریع فضای عظیم کاندیداها، استخراج الگوهایی فراتر از تطبیق ساده کتابخانه و اولویت‌بندی ساختارهایی است که باید با روش‌های آزمایشگاهی تأیید شوند.
منابع علمی
- Hong Y, Ye Y, Tang H. Machine Learning in Small-Molecule Mass Spectrometry. Annual Review of Analytical Chemistry, 2025.
- Wang H, Zhang H, Zhu Z-J. Structure-informed deep generation enables de novo metabolite annotation in untargeted metabolomics. Nature Communications, 2026.
- De Novo Structure Prediction from Tandem Mass Spectra: Algorithms, Benchmarks, and Limitations. Molecules, 2026.
- Recent Developments in Machine Learning for Mass Spectrometry.