Mol2Raman: un modelo de red neuronal gráfica para predecir espectros Raman a partir de representaciones SMILES

Área de la Ciencia:

• Química Computacional
• Espectroscopia
• Aprendizaje Automático

Sus antecedentes:

• La espectroscopia Raman es crucial para el análisis molecular, pero su predicción es computacionalmente costosa.
• La predicción precisa de espectros Raman se ve obstaculizada por complejas relaciones estructura-espectro.

Objetivo del estudio:

• Introducir Mol2Raman, un marco de aprendizaje profundo para la predicción directa de espectros Raman a partir de cadenas SMILES.
• Permitir la predicción precisa de posiciones e intensidades de picos para diversas estructuras moleculares.

Principales métodos:

• Utilizar Redes de Isomorfismo Gráfico con características de arista (GINE) para codificar la topología molecular.
• Entrenar el modelo con un conjunto de datos de más de 31.000 espectros Raman calculados por DFT.
• Comparar Mol2Raman con modelos basados en huellas dactilares y Chemprop.

Principales resultados:

• Mol2Raman logra una alta fidelidad en la predicción de espectros Raman, superando a los métodos existentes.
• El modelo predice con precisión las características espectrales para moléculas estructuralmente disimilares y enantiómeros.
• Demuestra tiempos de inferencia rápidos (22 ms/molécula) adecuados para el cribado de alto rendimiento.

Conclusiones:

• Mol2Raman proporciona una plataforma escalable, precisa e interpretable para la predicción de espectros Raman.
• La aplicación web de acceso abierto facilita las predicciones en tiempo real sin hardware especializado.
• Este marco avanza en el diseño molecular, el descubrimiento de materiales y los diagnósticos espectroscópicos.