Umeå universitets logga

Identifying unknown chemical compounds from mass spectra is a fundamental challenge in forensic chemistry, particularly when the target compound is absent from standard reference libraries. This thesis presents CWAT (Chemical Warfare Agent Transformer), a transformer-based sequence-to-sequence model that translates GC-MS-EI spectra directly into SMILES molecular strings. CWAT is trained jointly on the NIST Mass Spectral Library (∼266 000 compounds) and a restricted CWA-related dataset (∼6 000 compounds) provided by the Swedish Defence Research Agency (FOI).

On the CWA test set (n=978), CWAT achieves a Top-1 exact match rate of 15.3%, a Top-5 rate of 29.3%, and a mean MACCS Tanimoto similarity of 0.86. Functional group detection is particularly strong for forensically critical elements such as phosphorus, chlorine, sulphur and fluorine. On the broader NIST test set (n=978), the model achieves a mean MACCS Tanimoto of 0.53 with 100% chemical validity. To the best of my knowledge, these are the first reported de~novo structure prediction results for chemical warfare related agent spectra.

Att identifiera okända kemiska föreningar från masspektra är en grundläggande utmaning inom forensisk kemi, särskilt när den sökta föreningen saknas i befintliga referensbibliotek. Detta examensarbete presenterar CWAT (Chemical Warfare Agent Transformer), en transformerbaserad sekvens-till-sekvens-modell som översätter GC-MS-EI-spektra direkt till molekylära SMILES-strängar. CWAT tränas gemensamt på NIST Mass Spectral Library (∼266 000 föreningar) och ett begränsat dataset med föreningar relaterade till kemiska stridsmedel (∼6 000 föreningar) tillhandahållet av Totalförsvarets forskningsinstitut (FOI). 

På testuppsättningen för stridsmedelsrelaterade föreningar (n=978) uppnår CWAT en Top-1-exaktträff på 15.3%, en Top-5-träff på 29,3% och en genomsnittlig MACCS Tanimoto-likhet på 0.86. Detektionen av funktionella grupper är särskilt stark för kemvapenrelaterade grupper som fosfor, klor, svavel och fluor. På det kemiskt bredare datasetet NIST (n=978) uppnår modellen en genomsnittlig MACCS Tanimoto-likhet på 0.53 med 100% kemisk validitet. Såvitt jag vet är detta de första publicerade resultaten för de novo-strukturprediktion från masspektra av kemiska stridsmedel.