Mol2Raman: SMILES表現からのラマン散乱スペクトル予測のためのグラフニューラルネットワークモデル

科学分野:

• 計算化学
• 分光法
• 機械学習

背景:

• ラマン分光法は分子分析に不可欠ですが、計算による予測はコストがかかります。
• 正確なラマン散乱スペクトル予測は、複雑な構造とスペクトルの関係により妨げられています。

研究 の 目的:

• SMILES文字列からの直接的なラマン散乱スペクトル予測のための深層学習フレームワークであるMol2Ramanを導入します。
• 多様な分子構造のピーク位置と強度を正確に予測できるようにします。

主な方法:

• 分子トポロジーをエンコードするために、エッジ特徴を持つグラフ同型ネットワーク（GINE）を利用します。
• 31,000以上のDFT計算ラマン散乱スペクトルデータセットでモデルをトレーニングします。
• 指紋ベースおよびChempropモデルと比較してMol2Ramanを評価します。

主要な成果:

• Mol2Ramanはラマン散乱スペクトルの予測において高い忠実度を達成し、既存の方法を上回っています。
• 構造的に異なる分子やエナンチオマーのスペクトル特徴を正確に予測します。
• 高スループットスクリーニングに適した高速推論時間（分子あたり22ミリ秒）を実証します。

結論:

• Mol2Ramanは、ラマン散乱スペクトル予測のためのスケーラブルで正確かつ解釈可能なプラットフォームを提供します。
• オープンアクセスWebアプリケーションは、専門的なハードウェアなしでリアルタイム予測を容易にします。
• このフレームワークは、分子設計、材料発見、および分光診断を進歩させます。