Aprendizaje profundo para la traducción bidireccional entre estructuras moleculares y espectros vibratorios

Área de la Ciencia:

• Química computacional
• Espectroscopia
• Inteligencia artificial

Sus antecedentes:

• Los espectros de vibración molecular y el Sistema Simplificado de Líneas de Entrada Molecular (SMILES) son cruciales para la identificación química.
• El establecimiento de un vínculo directo y bidireccional entre estas dos representaciones sigue siendo un desafío.
• Los métodos existentes a menudo carecen de precisión o eficiencia en la interpretación espectral.

Objetivo del estudio:

• Desarrollar modelos de aprendizaje profundo para la traducción entre espectros moleculares y representaciones SMILES.
• Mejorar la precisión y la eficiencia de la interpretación espectral utilizando inteligencia artificial.
• Permitir el reconocimiento de grupos funcionales y la diferenciación de isómeros y homólogos a partir de datos espectrales.

Principales métodos:

• Desarrollo de dos modelos de aprendizaje profundo: TranSpec y SpecGNN.
• Implementación de técnicas que incluyen fusión de modelos, transferencia de aprendizaje y aprendizaje de múltiples fuentes.
• Aumento de los conjuntos de datos y aplicación del filtrado por masa molecular.
• Utilizando SpecGNN para la simulación espectral y el reordenamiento de candidatos.

Principales resultados:

• La precisión inicial de TranSpec alcanzó el 55-63% para los espectros calculados, pero cayó al 11% para los datos experimentales de IR.
• Los métodos mejorados aumentaron la precisión de TranSpec al 53,6% para los datos experimentales de IR.
• SpecGNN demostró una precisión espectral y una eficiencia computacional superiores en comparación con los métodos de química cuántica tradicionales.
• Se logró el reconocimiento exitoso de los grupos funcionales y la distinción entre isómeros/homólogos.

Conclusiones:

• TranSpec y SpecGNN ofrecen un marco eficiente y preciso impulsado por IA para la estructura molecular y la interpretación de espectros.
• Estos modelos hacen avanzar las aplicaciones en espectroscopia y quimioinformática.
• Los modelos desarrollados proporcionan una herramienta poderosa para el esclarecimiento de la estructura química a partir de datos espectrales.