Kaggle Enveda CASMI 2026分子结构预测：LC-MS/MS质谱与SMILES

赛题速览

• 赛题名称：Enveda CASMI 2026 - Molecule ID From Mass Spectra
• 赛题类型：化学信息学 / 质谱分析 / 分子结构预测（Kaggle Featured Code Competition）
• 赛题任务：根据未知小分子的 LC-MS/MS 串联质谱信息，预测其二维化学结构；参赛者需为每个 molecule_id 提交最多 25 个按置信度排序的候选 SMILES。

https://www.kaggle.com/competitions/enveda-CASMI26-molecule-id-mass-spectra/

比赛背景

Enveda CASMI 2026 - Molecule ID From Mass Spectra 是 Kaggle 上的一项小分子结构识别比赛，要求参赛者根据 LC-MS/MS 串联质谱预测未知分子的二维化学结构，并以 SMILES 形式提交候选结果。比赛不仅考察公开质谱库中的已知分子，也覆盖没有公开参考谱甚至数据库中不存在的新结构，因此整体任务同时涉及谱库检索、候选结构召回和从头结构预测。

现代质谱可以从植物、动物和微生物等复杂生物样本中检测大量小分子，但研究人员仍然很难直接确定这些分子的具体结构。传统方法主要依赖参考质谱库：当待测分子已经存在于数据库中时，研究人员可以通过谱图相似度进行匹配；一旦分子缺少参考谱，现有方法的识别能力就会明显下降，部分结构仍需依赖成本较高的实验确认。

MS/MS 质谱为结构预测提供了两类核心信息。仪器首先测量离子化分子的前体 m/z，这一信息能够限制分子质量和可能的分子式；随后，仪器通过碰撞使分子碎裂，并记录不同碎片的 m/z 和相对强度。参赛模型需要利用这些碎片模式反推出原始分子的二维连接结构。

比赛任务

参赛者需要针对每个 molecule_id 预测最多 25 个候选分子结构，并按照置信度从高到低排列。比赛的预测单位是分子而不是单张质谱，因为同一个分子可能在不同碰撞能量或不同加合离子条件下产生多张谱图，模型需要综合这些谱图后输出统一的候选列表。

提交文件包含 molecule_id 和 smiles 两列，其中多个候选 SMILES 使用分号连接，最优候选需要排在最前面。每个分子可以提交少于 25 个候选，但不能超过 25 个。

比赛时间轴

比赛于 2026 年 9 月 14 日 开始，2026 年 12 月 7 日 为报名和组队合并截止日期，2026 年 12 月 14 日 为最终提交截止日期，所有截止时间均为当天 23:59 UTC。比赛总奖金为 50,000 美元，其中第一名奖金为 16,000 美元。

比赛数据集

官方数据集包含 train.parquet、test.parquet 和 sample_submission.csv 三个文件。训练集约包含 250 万张 MS/MS 质谱，对应约 27.5 万个唯一分子结构，每一行表示一张质谱；测试集同样以单张质谱为基本记录单位，但不提供结构标签。

正式测试集约包含 1,500 张质谱和 400 个分子，每个分子对应 1 至 16 张谱图，中位数为 3，所有测试谱图均由 Bruker timsTOF 仪器采集。测试分子的单同位素质量约为 157 至 1,159 Da，中位数约为 348 Da。

评价指标

比赛采用 MRR@25（Mean Reciprocal Rank @ 25） 作为评价指标。系统会检查每个分子的候选列表，并根据第一个正确结构所在的位置计算倒数排名得分；正确结构位于第 1 位时得 1 分，第 2 位得 0.5 分，第 25 位得 0.04 分，如果前 25 个候选中没有正确答案则得 0 分，最终成绩为所有分子得分的平均值。