质谱结构划分随库变大而漂移：227,690 个分子里，一个连通块吞掉 95.5%，留出集只剩 4.5%
核心概要
质谱结构预测常用的 MCES-10 结构不相交划分在公共库从 29,000 个分子扩到 227,690 个分子后发生渗流，单个连通块占住 95.5% 的库，可用的留出集被压到 4.5%，且留下的化合物系统性偏重。
深度剖析
按 MCES-10 阈值做单链接聚类来切分质谱结构预测的评测集，切出来的留出集大小会随库的规模改变，而不是一个固定的基准。 这套规则当初是在 29,000 个分子量级的库上定下的，公共质谱库如今已到 227,690 个分子。 在 227,690 个分子的公共并集上，最大连通块占 95.5%，可达到的留出集上限只有 4.5%；在 Enveda-180 上进一步降到 0.84%。
留出集不只是变小，留下的化合物还系统性偏重，因为固定的绝对编辑预算对越大的分子越是相对更紧的容差。 此前该划分被当作只保证结构分离、不引入其他差异的构造。 留出化合物比训练化合物更重的概率随库增大单调上升，在并集上达到 0.881；Enveda-180 上训练中位质量 329.2 Da，留出 384.3 Da。
为了让这套判据在今天的库规模上算得动，作者把 MCES 距离的计算压缩到只对极少数分子对求解整数规划。 MCES 逐对是 NP-hard，分子对数量随库规模平方增长，此前从未在这个规模上评估过该判据。 向量化下界先判定 87% 的分子对为远，并查集跳过再削减 97.8%，最终只有 11,476,315 对进入整数规划，占全部分子对的 0.04%。
这种偏重来自判据本身而不是某一座库的组成，换一座来源不同的库，同样的趋势仍然出现。 两座实验库的质量分布差异明显，并集里 Enveda-180 主导整体形状，SpectraVerse 贡献更多高质量化合物。 在 SpectraVerse 加 COCONUT 的第三座库上，可达到的留出集从 40.6% 单调降到 14.6%，质量 AUC 从 0.647 单调升到 0.726。
启示与展望
报告的范围是质谱结构预测中 MCES-10 结构不相交划分在库规模增长下的行为，读者是构建或使用这类基准的分子机器学习与质谱研究人员。作者在公共并集、Enveda-180 以及 SpectraVerse 加 COCONUT 的第三座库上测量，阈值取 MassSpecGym 采用的 10，并在附录中把阈值改到 5 重跑并集。作者指出，结构不相交基准需要采用含义在规模变化下稳定的判据。
两座实验库的化合物质量分布本身带有偏置，作者认为在质量分布更规则的库上做基准会更好，但为了反映当前可用的实验库而保留了现状。第三座库只有 19.4% 的结构有谱图，且因计算量限制其阶梯停在较小规模。整数规划设有五秒预算，超时的分子对被保守地记为近，因此报告的连通块比例是上界；把并集上 55,478 个超时对中的 3,265 个解到完成，连通块从 95.4983% 移到 95.3441%，质量 AUC 从 0.8810 移到 0.8853。