Táto bakalárska práca predstavuje komplexnú štúdiu uplatňovania
hlbokých neuronových sieti na predpovedanie hmotnostnej
spektrometrie z molekulárnych štruktúr. Navrhujeme a
vyhodnocujeme tri modely hlbokého učenia založené na grafoch:
Graph Convolutional Neural Networks (GCN), Graph Attention
Networks (GAT) a TransformerConv s obojsmernou vrstvou. Tieto
modely využívajú podobnosť grafov ú štruktúru molekúl, kde sú
atómy a chemické väzby reprezentované ako uzly a hrany.

Naše modely sa porovnávajú s tromi existujúcimi modelmi v tejto
oblasti: NEIMS, GLU a RASSP. Každý model pristupuje k problému
z rôznych hľadísk a využíva odlišné stratégie na zachytenie
komplexných modelov fragmentácie, ktoré sa vyskytujú počas
hmotnostnej spektrometrie.

Výkonnosť našich modelov vykazuje sľubné výsledky. GCN model
dosahuje bodový súčin 0.850 a Steinov bodový súčin 0.847, čím
prekonáva modely NEIMS a GLU a dosahuje lepšiu štandardu
odchýlku ako RASSP. Model GAT poskytuje bodový súčin 0.858 a
Steinov bodový súčin 0.859, čo naznačuje vyššiu presnosť v
porovnaní s modelom GCN. Náš najzložitejší model,
TransformerConv, dosahuje najlepší výkon s bodovým súčinom
0.860 a Steinovým súčinom 0.865. Steinovým bodovým súčinom
0.865, čo je len mierne pod výkonom modelu RASSP, ale s výrazne
nižšími výpočtovými nárokmi a vyššou
rýchlosťou predpovede.

Tieto výsledky podčiarkujú potenciál modelov založených na
grafových nevrónových sieťach pri predpovedaní hmotnostnej
spektrometrie z molekulárncyh štruktúr. Napriek zložitosti
úlohy predikcie naše modely preukazujú značnú presnosť a
efektívnosť, čím sa približujeme k praxi, reálnym aplikáciám v
metabolomike, proteomike a pri objavovaní liečiv.