Metody nearest-neighbour okazują się niezwykle skutecznym podejściem do predykcji molekularnych fingerprinterów bezpośrednio ze spektrów MS/MS, konkurując z zaawansowanymi modelami deep learning'u. Naukowcy przeanalizowali rodzinę technik retrieval-based, które różnią się fundamentalnie w kwestii tego, jakie informacje są dostępne w momencie inferencji.
Klucz do zrozumienia wydajności tych metod leży w świadomości, że "nearest neighbour" nie jest jednorodną strategią. Różne warianty robią różne założenia dotyczące kontekstu, w jakim działają - niektóre mogą polegać na pełnej dostępności bazy danych referencyjnych, inne operują w bardziej ograniczonych warunkach. Poprzez systematyczne porównanie tych podejść, badacze ujawnili, jak znaczący wpływ ma właściwy dobór założeń na ostateczne wyniki.
Establishment bardziej rygorystycznych baseline'ów ma bezpośrednie implikacje dla całej dziedziny. Lepiej zdefiniowane punkty odniesienia umożliwiają naukowcom obiektywną ocenę rzeczywistych ulepszeń metodologicznych i unikają sytuacji, w których pozorne przełomy wynikają jedynie z mniej starannie zdefiniowanych punktów porównania. To fundamentalna praca dla benchmarkingu i przyszłych badań w spektrometrii masowej i ML.