Espacio químico SERS basado en aprendizaje automático para la predicción bidireccional de estructuras y espectros de...

Área de la Ciencia:

• Química analítica
• Espectroscopia
• Aprendizaje automático

Sus antecedentes:

• La identificación de moléculas desconocidas mediante espectroscopia de dispersión de Raman mejorada por superficie (SERS) está limitada por la dependencia de las bases de datos espectrales existentes.
• El vasto espacio químico hace que la catalogación y predicción espectral integral sean imprácticas con los métodos actuales.

Objetivo del estudio:

• Desarrollar un enfoque basado en el aprendizaje automático (ML) para predecir estructuras moleculares de espectros SERS y espectros de estructuras para moléculas no entrenadas.
• Establecer un espacio químico SERS predictivo que aproveche las correlaciones de la estructura del espectro.

Principales métodos:

• Utilizó un espacio químico SERS de 38 moléculas lineales en cuatro clases (alcoholes, aldehídos, aminas, ácidos carboxílicos).
• Desarrolló un marco de aprendizaje automático de dos pasos para la predicción de espectro a estructura (clasificación y regresión).
• Empleado un regresivo eXtreme Gradient Boosting (XGBoost) para la predicción de estructura a espectro.

Principales resultados:

• Se ha logrado una precisión media superior al 90% para las predicciones bidireccionales de la estructura del espectro en moléculas no entrenadas.
• Se ha demostrado una precisión del 100% en la predicción de grupos funcionales y una diferencia de carbono ≤ 1 para la longitud de la cadena.
• Se obtuvo una similitud de coseno promedio del 90,4% para los espectros predichos frente a los espectros experimentales.

Conclusiones:

• El espacio químico SERS basado en ML permite la identificación precisa de moléculas desconocidas mediante la predicción de las relaciones espectro-estructura.
• Este enfoque de modelado predictivo cambia la identificación molecular de la coincidencia espectral a la comprensión de las correlaciones fundamentales.
• Los resultados apoyan la expansión de los espacios químicos de SERS para tecnologías avanzadas de SERS.