直接回答
Enveda CASMI 2026 - Molecule ID From Mass Spectra 是一场以Mass Spectrometry and Molecular Structure Ranking为核心的 Kaggle 比赛，参赛者根据公开数据训练方案并按官方指标提交结果。
适合专业与项目难度
质谱解析、天然产物与小分子结构识别适合化学、药学、生物信息及生物医学工程背景；谱库检索、候选排序、多光谱融合和验证设计对应 AI、计算机、机器学习、数据科学与数学。化学和药学学生可从实验解释切入，同时补足 Python 与建模基础。
为什么评为进阶？
可从可解释的谱库检索基线起步，但需处理多来源实验数据、分子结构标准化、多光谱融合和分组验证；未知结构生成属于更深的研究路线。
等级说明：需要专业建模方法、可靠验证或多个工程环节，并完成可解释的对照实验。
建议具备的基础
- Python、NumPy/pandas 与基础机器学习
- 质谱 m/z、加合物、碰撞能量与 SMILES 基础
- RDKit / matchms 入门与分组验证
可以从哪里开始
先读取少量光谱，完成峰清洗、前体质量过滤和相似度检索；按 InChIKey14 分组评估 MRR@25 后，再增加多光谱融合与候选排序。
专业与难度由本站根据项目文档分析，面向基线复现与对照实验；具体门槛取决于承担的任务和项目深度。 这不是 Kaggle 官方评级。
先把任务说清楚
模型需要根据未知小分子的多条 LC-MS/MS 实验光谱和实验条件，推断二维化学结构并给出最多 25 个有序 SMILES 候选。任务覆盖公共谱库检索、已知结构但无公共光谱的候选排序，以及未知结构生成，适合连接化学、药学与科学机器学习。项目重点是从实验信号到候选清单的可验证流程；预测候选仍需后续实验确认。
输入
- train.parquet 中的质谱峰 m/z、归一化强度及 SMILES、InChIKey14 等结构标签
- 前体质量、加合物、离子模式、碰撞能量、仪器类型和来源库信息
- test.parquet 中按 molecule_id 组织的未知分子光谱；同一分子可有不同条件下的多条光谱
输出
- 包含 molecule_id 与 smiles 两列的 submission.csv，每个分子恰好一行
- 每行最多 25 个以分号分隔的 SMILES 候选，最有把握的结构排在最前
- 按分子统计的 MRR@25、命中排名分布和候选错误案例
技术路线
- 数据
质谱读取与清洗
解析 Parquet 和对齐的峰数组，检查来源库、质量误差与加合物，建立峰过滤和实验条件质检。
- 检索
谱库候选基线
按前体质量与加合物缩小候选范围，以 modified cosine 等相似度检索谱库，先跑通可解释的候选生成。
- 排序
多光谱证据融合
汇总同一分子不同碰撞能量和离子模式的证据，结合分子式与结构候选特征输出有序 SMILES 清单。
- 验证
分子分组与泛化验证
按 InChIKey14 分组，避免同一分子的光谱跨训练与验证集；比较 MRR@25、命中排名，并以跨库或 scaffold holdout 分析未知结构泛化。
组队时间窗口
- Team Merger deadline
- 2026年12月7日
- Final submission deadline
- 2026年12月14日
- 比赛结束日期
- 官方结束日期待核验
- 预计结果日期
- 2026年12月21日，Final Submission 后增加 7 个自然日
预计结果日期用于时间适配，不代表官方奖项发布日期或结果承诺。
规则与提交信息
- 公开分类
- bioinformatics
- 最大队伍人数
- 5
- 评价指标
- Mean Reciprocal Rank @ 25（MRR@25）
- 提交文件
- submission.csv
- 运行上限
- CPU / GPU Notebook 均不超过 9 小时，关闭互联网
- 最多 5 人，允许加入或合并队伍；组队截止为 2026-12-07 UTC 23:59（北京时间 12 月 8 日 07:59），最终提交为 2026-12-14 UTC 23:59。
- 每位成员须先独立报名并接受规则；合并后人数与累计提交次数须符合官方 Rules 和平台校验。
- 仅接受 Notebook 提交；每日最多提交 5 次，最终选择 2 份计分提交。
- 每个 molecule_id 恰好一行；smiles 列最多包含 25 个按置信度排序、以分号连接的候选。
- MRR@25 按首个正确候选的排名倒数计分；结构经 RDKit 2026.03.3 互变异构体标准化后比较 InChIKey14。评分解释以官方 Evaluation 页为准。
- 当前可见 test.parquet 为训练样例，正式重跑会替换为隐藏测试；应按分子分组验证泛化能力。
- 可使用符合规则的免费公开外部数据与预训练模型；比赛数据使用遵循 CC BY-NC 4.0 及官方 Rules。
比赛状态、Rules、提交限制和赛程可能变化，请以 Kaggle 官方页面为准。
资料说明：用于理解任务和公开方案，不代表实时排名、最终成绩或结果承诺。
公开研究资料
以下图表基于公开页面整理，用于理解公开方案与讨论主题。数据会变化，不作为成绩、排名或结果承诺。
协作重点与可交付成果
协作重点
- 质谱清洗
- 谱库检索
- 候选排序
- 多光谱融合
项目产出
- 质谱 EDA 与数据字典
- 谱库检索和多光谱融合基线
- 按分子分组的 MRR@25 评估与消融实验
- 候选结构错误分析、可运行 Notebook 与可复现 README
复盘与面试可以讲什么
- 为什么按分子分组验证，而不能随机切分光谱行
- MRR@25 如何体现候选排序质量，InChIKey14 如何决定结构匹配
- 谱库检索、已知结构候选排序与未知结构生成有何区别
- 不同仪器、加合物与碰撞能量如何影响多光谱融合
适合用途
官方规则与赛程
团队、资格、数据、模型、代码共享和提交方式以单场 Rules 最新内容为准。
https://www.kaggle.com/competitions/enveda-CASMI26-molecule-id-mass-spectra