機械学習ベースのSERS化学空間,訓練されていない分子構造とスペクトルの双方向予測

科学分野:

• 分析化学
• スペクトロスコーピー
• 機械学習

背景:

• 表面強化ラーマン散射 (SERS) 光譜を用いた未知の分子の検出は,既存の光譜データベースに依存しているため制限されています.
• 広大な化学空間は,現在の方法では,包括的なスペクトルカタログと予測を不可能にします.

研究 の 目的:

• 機械学習 (ML) ベースのアプローチを開発し,SERSスペクトルから分子構造を予測し,訓練されていない分子のための構造からスペクトルを作成します.
• 予測可能なSERS化学空間を確立し,スペクトル構造の相関を活用する.

主な方法:

• 4つのクラス (アルコール,アルデヒド,アミン,炭酸) にわたる38の線形分子からなるSERS化学空間を利用した.
• スペクトルから構造への予測 (分類と回帰) のための2段階のMLフレームワークを開発した.
• 構造対スペクトルの予測のために eXtreme Gradient Boosting (XGBoost) リグレッサーを使用した.

主要な成果:

• 訓練されていない分子の双方向スペクトル構造の予測の平均精度は>90%に達した.
• 機能群の予測の100%の正確さと,鎖の長さの炭素差 ≤ 1 が実証されています.
• 実験スペクトルに対する予測スペクトルの平均コサイン相似度 90.4% を得ました.

結論:

• MLベースのSERS化学空間は,スペクトル構造の関係を予測することによって,未知の分子の正確な識別を可能にします.
• この予測モデリングアプローチは 分子識別をスペクトルマッチングから 根本的な相関性理解へと移行させます
• この発見は,先進的なSERS技術のためのSERS化学空間の拡大を支持する.