HK//HACKERSHACKATHONS · KAGGLE · FOR BEGINNERSEN
HACKERS / Kaggle

Enveda CASMI 2026 分子鉴定(Kaggle)新手攻略:把排行榜拆开看

比赛给你串联质谱(MS/MS),也就是分子被打碎成带电碎片后留下的“指纹”,你要用 SMILES 字符串说出它是哪个分子。每个分子最多可以猜 25 个,正确答案排得越靠前,得分越高。Enveda 拿出 50,000 美元奖金,最终截止日是 2026 年 12 月 14 日。测试分子有的已经收录在公开谱库里,有的只在结构数据库中出现过,还有的是全新分子。我们在 10 月 24 日下载了完整的公开排行榜:3,923 支队伍里,有 359 支的分数恰好是 0.464,排在第 93 到第 451 名,这正是被反复复制的公开 notebook 的分数。高于它的只有 92 支队伍,第一名是 0.504。公开榜只按约 132 个分子计分,所以这整段差距大约相当于多找到 5 个排在第 1 位的分子。新手跑公开代码,一天就能挤进 0.464 这一大群人里。这篇攻略讲的是这些代码为什么有效,好让你自己再多找到一个分子。

截止
奖金50,000 UsdEnveda
官方页面 ↗

流程思维导图

根据比赛概览、数据页和规则,加上我们在 2026 年 10 月 24 日通过 Kaggle API 下载的完整公开排行榜,以及当天读过的公开 notebook 整理而成。结构和所有强势公开流程一致:先建候选列表,再用多种证据给候选打分,最后排序。

  1. 01读懂谱图
    1. 1.1每个分子合并 1–16 条谱图
    2. 1.2根据加合离子推出中性质量
    3. 1.3清理峰:强度下限、取前 N 个、强度开平方
  2. 02建候选列表
    1. 2.1训练集结构(约 27.5 万个)
    2. 2.2COCONUT 天然产物库
    3. 2.3质量误差几个 ppm 内的 PubChem、ChEBI、LIPID MAPS 结构
  3. 03给候选打分
    1. 3.1谱库匹配(第 1 类)
    2. 3.2类似物传播(第 2 类)
    3. 3.3预测指纹与碎片吻合度(第 3 类)
  4. 04排序并提交
    1. 4.1融合各路证据,梯度提升排序器
    2. 4.225 个互不相同的 InChIKey14,最好的放前面
    3. 4.3控制在 9 小时内,断网运行

关键信息

主办方
Enveda(Enveda Therapeutics)。Featured 比赛,有 Kaggle 积分和奖牌 ↗
奖金
50,000 美元:第 1 到第 5 名分别为 16,000、12,000、9,000、7,000、6,000 美元 ↗
截止时间
报名和组队合并截止 2026 年 12 月 7 日;最终提交截止 2026 年 12 月 14 日。均为 UTC 时间 23:59 ↗
提交内容
submission.csv,列为 molecule_id,smiles:每个分子最多 25 个 SMILES,用分号隔开,最有把握的放最前 ↗
代码比赛
CPU 或 GPU notebook,运行不超过 9 小时,断网。可以使用免费公开的外部数据和预训练模型 ↗
提交次数
每天 5 次,最后选 2 个。队伍最多 5 人;不允许在队伍外私下分享代码 ↗
许可
比赛数据为 CC BY-NC 4.0;获奖者需用 MIT 等 OSI 认可的开源许可发布方案 ↗
参与情况(2026 年 10 月 24 日)
11,423 人报名 · 4,319 名参赛者 · 3,920 支队伍 · 71,543 次提交 ↗

题目拆解

任务到底是什么

每个测试分子给你 1 到 16 条谱图(中位数 3 条),全部来自同一种仪器 Bruker timsTOF,另附前体离子质量和加合离子类型。质量范围 157 到 1,159 Da,中位数 348。测试集约有 400 个分子、1,500 条谱图。你要交出最多 25 个候选结构的排序列表。没人指望模型能稳定地凭空画出分子,所以实际上这是个搜索问题:在成千上万个同质量的结构里找出正确的那个。

三类测试分子

第 1 类分子在公开谱库里已有谱图,谱图匹配得好就能找到。第 2 类分子收录在 PubChem 或 COCONUT 里,但没有公开谱图,你得评判一个从没被测过的结构。第 3 类是全新分子,任何数据库里都没有,只有从头生成(de novo)才可能命中。Enveda 没有公布测试集里每类各有多少。我们读过的公开 notebook 都能做好第 1 类,在第 2 类上花的力气最多,第 3 类几乎拿不到分。

训练数据,以及它的坑

train.parquet 汇集了 11 个谱库,约 250 万条谱图、约 27.5 万个结构。最大的是 Enveda 自己的 enveda-180,115 万条谱图,用 timsTOF 测得,大多是类药合成化合物。pluskal_ms2(Orbitrap)、riken、gnps、massbank 等来自其他仪器,碰撞能量的表示方式也不同,所以请用已经换算好的 collision_energy_ev 列。和测试集最接近的是 enveda-np-examples,只有 250 个天然产物的 1,151 条谱图,但测量流程和测试集完全相同。

一句话说清评分

MRR@25:每个分子的得分是第一个正确猜测排名的倒数,25 个里都没有就是 0,再对所有分子取平均。排第 1 得 1.0,排第 2 得 0.5,排第 25 得 0.04。经过 RDKit 互变异构体标准化后,只要 InChIKey 的第一段(InChIKey14)一致就算对,所以立体化学和互变异构体不会扣分。两个猜测的 InChIKey14 相同,就白白浪费一个名额。

公开的 0.464 由什么组成

排名靠前的公开 notebook 大多是一条复制链,每一版只改一两处。一份公开分析追溯了 60 位作者的 208 个 notebook,发现用的都是同一批组件:快速谱库检索;类似物传播(匹配质量相差最多约 200 Da 的分子的谱图,把它们的骨架借给长得像的候选);从谱图预测分子子结构位的指纹模型;名为 ICEBERG 和 GLACIER 的计算机模拟碎裂打分器;PubChem 热度先验;以及把这些全部融合起来的梯度提升排序器。候选池主要是训练集结构加 COCONUT,按中性质量几个 ppm 过滤,据其中一个 notebook 统计,每个分子剩下的候选数中位数约为 56 个。

怎么看公开分数

公开榜只用了约三分之一的测试集,大约 132 个分子。多找到一个排第 1 的分子约值 0.0076。10 月 9 日以来,公开最高分提升了 17 次,几乎每次只涨 0.001 到 0.005,而同一份代码重跑的分数最多能差 0.006。所以公开榜上 0.001 的提升往往只是噪声。最终排名用的是另外三分之二的数据,这些公开数字都没见过它。

10 月 24 日的榜单分布

我们下载了全部 3,923 支队伍的分数。0.47 及以上有 22 支,0.46 到 0.47 之间还有 515 支,其中 359 支恰好是 0.464。0.45 到 0.46 之间 433 支,0.40 到 0.45 之间 834 支,0.40 以下 2,119 支,其中 124 支是 0 分,这通常意味着提交失败或格式错误。前 22 支队伍的提交次数中位数是 82 次,停在 0.464 的队伍中位数是 25 次。想超过那个共享的 notebook 分数,靠的是多得多的尝试,而每次尝试只在 132 个分子上检验。

比赛给你什么

下载包里的 test.parquet 只是个小样本。notebook 重新评分时,Kaggle 会换上真正的测试集(约 400 个分子、1,500 条谱图),所以代码不能依赖样本的大小或 ID。train.parquet 有 3.03 GB,请按列子集或 Arrow 分批读取。

train.parquet
约 250 万条谱图、约 27.5 万个结构,18 列,包括 normalized_smiles、inchikey14、molecular_formula、ingest_lib、collision_energy_ev、precursor_error_ppm 和 num_peaks
test.parquet
12 列,每行一条谱图:molecule_id、峰列表、前体离子 m/z、加合离子类型以及测量条件。不含结构
测试集里的加合离子
正离子 [M+H]+、[M+NH4]+、[M-H2O+H]+、[M-2H2O+H]+、[M+Na]+、[M+K]+;负离子 [M-H]-、[M-H2O-H]-、[M+CH2O2-H]-、[M+Cl]-
测试谱图如何清洗
前体离子不一致、基峰低于 1,000 计数、或有峰高出前体离子 2 Da 以上的谱图都被剔除
训练集谱库
enveda-180 1,153,785 条谱图(182,941 个结构)· pluskal_ms2 527,581(46,821)· riken 347,171(15,892)· gnps 220,849(45,750)· massbank 101,727(9,180)· mona 92,416(11,681)· spectraverse 50,933(9,631)· msdial 40,765(9,127)· drug_plus 2,545(2,539)· enveda-np-examples 1,151(250)· masaryk 652(416)

submission.csv

molecule_id,smiles
<molecule_id>,<最佳 SMILES>;<第 2 个 SMILES>;...   # 最多 25 个,最好的放前面

来自比赛的数据页或概览页 ↗

评测指标:互变异构体标准化后按 InChIKey14 计算的 MRR@25(Mean Reciprocal Rank)

越高越好,范围 0 到 1。每个分子的得分是最多 25 个猜测中第一个正确猜测排名的倒数,没有正确的就是 0,榜上显示平均值。匹配时先用 RDKit 2026.03.3 做互变异构体规范化,再比较 InChIKey 的前 14 个字符,所以答案的立体异构体和互变异构体都算对。缺列、有空值、molecule_id 重复或超过 25 个猜测的提交会被拒收。

约三分之一的测试集(大约 132 个分子)决定公开榜,其余决定最终排名。10 月 7 日 Kaggle 把评测改为忽略立体化学,并修正了重跑测试数据中的一个小错误,之前的提交也都重新评分。 ↗

2026 年 10 月 24 日公开榜上 359 支队伍共同的分数: 0.464 ↗

公开基线

我们在 2026 年 10 月 24 日通过 Kaggle 公开 API 读过的公开 notebook,票数取自当天上午。分数是作者自己报告的或公开榜上的;我们没有提交任何东西。

Notebook▲LB为什么值得看
CASMI26 explained for humans(给人看的 CASMI26 讲解)17explainer从这里开始。用图解释 InChIKey14、互变异构体、加合离子和同分异构体,再用大白话一步步重建排名最高的公开流程。
CASMI 26: The Data Behind Spectra to Structures(从谱图到结构背后的数据)1570.465 (version 2, per the chain analysis)列出最强流程用到的每个外部数据集和模型,以及各自带来了什么。配合它的姊妹篇 CASMI 26: From Spectra to Structures 了解任务本身。
Analog Propagation — CASMI 2026(类似物传播基线)1510.456 (source notebook's page)后来大多数引擎的源头基线,现在是一个 0.456 notebook 的带文档副本,列出了全部输入和许可。适合在一处看全整条流程。
4-Channel Retrieval & Neural Fingerprint Ranker(四通道检索与神经指纹排序)2630.163 → 0.300–0.336 (author's version table)它的版本表展示了每个通道的贡献:只用谱库余弦相似度是 0.163,加上类似物传播和碎片打分到 0.266,再加指纹模型到约 0.30。看清哪些证据重要,这张表最直观。
CASMI26: The Public Chain, Version by Version(公开复制链逐版本追溯)5analysis把 208 个公开 notebook 的 481 个已评分版本追溯到各自的来源,并说明每处改动换来了多少分。相信任何 0.001 的提升之前,先读它的第 4 节。
CASMI de novo tutorial notebook(从头生成教程)388not stated票数最高的 notebook:一个直接从谱图生成结构的简短训练加预测模板。它是拿到第 3 类分子的唯一途径,但单独使用时分数远低于检索方法。

当前最高票的 notebook

每天从 Kaggle API 更新(最近一次 2026-11-16),未经编辑审核;上面的表格是审核过的清单。

时间线

  1. 开始日期
  2. 评测改为忽略立体化学,之前的提交重新评分
  3. 报名和组队合并截止
  4. 最终提交截止,UTC 时间 23:59

分步计划

  1. 第 1 天:先上榜

    复制一个 0.46 分段的公开 notebook,原样断网运行并提交。这能验证你的环境、挂载的数据集和 9 小时限制都没问题。然后对照 CASMI26 explained for humans 读代码,直到能说清每一块在做什么。

  2. 第 2–3 天:搭本地验证

    从 enveda-np-examples 里留出一部分分子,它和测试集来自同一仪器、同一流程,用同样的 MRR@25 代码打分。按 InChIKey14 划分,保证同一结构不会同时出现在两边。第 1 类和第 2 类分开测:把一个分子自己的谱图从谱库里去掉,就能模拟第 2 类。

  3. 第 1 周:找出分子丢在哪里

    对每个本地没猜中的分子,先问正确答案在不在候选池里。不在,就要改进候选池,比如质量窗口、加合离子判断或再加一个数据库。在池里但排得低,就要改打分。在大多数流程里,限制分数的更多是候选池覆盖率,而不是排序。

  4. 第 2–6 周:一次只改一处

    每次实验只试一个想法,比如更好的加合离子处理规则、合并同一分子的多条谱图,或只用 timsTOF 谱图训练的指纹模型。只有在本地验证上有提升、且不拉低公开分数时才保留。公开分数涨幅不到 0.008,还不到一个分子。

  5. 12 月 7 日之前

    想组队的话在 12 月 7 日前合并。最后选的 2 个提交,一个选本地验证最好的,一个选公开榜最好的,不要选两个几乎一样的版本。