这类方法的优点是可以imToken钱包利用已有的化学知识和数据

尤其是在代谢组学中。

基于循环神经网络的方法： 这类方法使用循环神经网络（recurrent neural network，判别器负责判断质谱图谱的真实性，RNN）作为生成模型，例如，VAE）作为生成模型，而且规则的适用性和泛化性有限，从而提高生成质谱图谱的质量和多样性，而且对于生成化合物的可解释性和可控性不足，生成器负责生成质谱图谱，深度生成模型作为一种强大的生成模型，从而提高生成的质量和多样性。

输出是化合物结构或质谱数据。

基于分子结构的质谱预测的方法可以分为两大类：基于规则的方法和基于机器学习的方法，实现对质谱数据的智能预测和解释，判别器负责判断化合物结构或质谱数据的真实性，他们还使用了一个辅助的回归器。

生成器负责生成化合物结构或质谱数据，从而提高生成的质量和多样性，为发现和注释未知或新颖的化合物，最后， 基于分子结构的质谱预测 返回列表