通过灵活的多光谱AI模型推进结构阐明
Martin Priessner1, Richard J Lewis2, Isak Lemurell1
1Medicinal Chemistry, Research and Early Development, Cardiovascular, Renal and Metabolism, BioPharmaceuticals R&D, AstraZeneca, Pepparedsleden 1, Mölndal, 43183, Sweden.
Angewandte Chemie (International ed. in English)
|November 26, 2025
概括
本研究介绍了MultiModalSpectralTransformer (MMST),这是一个机器学习工具,可以从光谱数据中预测化学结构. MMST为结构阐明提供了一个自动化解决方案,通过现实世界的实验数据提高了准确性.
科学领域:
- 计算化学是一种计算化学.
- 机器学习在化学中的应用
- 谱光学数据分析数据分析.
背景情况:
- 化学合成验证依赖于分析技术,但光谱数据解释是一个瓶.
- 高通量合成中的自动化数据收集加剧了对高效的解释方法的需求.
研究的目的:
- 开发一种自动机器学习方法,用于从多种光谱数据类型中预测化学结构.
- 解决化学合成验证的光谱数据解释方面的挑战.
主要方法:
- 介绍了多模态光谱变压器 (MMST),一个机器学习模型.
- 在NMR,IR和MS光谱数据中对400万种模拟化合物进行培训MMST.
- 实施一个积极的学习周期,以提高模型适应新化学结构的适应性.
主要成果:
- 在预测化学结构方面,MMST实现了72%的top-1和80%的top-3准确度.
- 该模型在实验频谱上表现出良好的性能,尽管它是在模拟数据上训练的.
- 基准测试证实了MMST在不同分子量范围和化学空间中的能力.
结论:
- 在自动化结构阐明方面,MMST代表了重大进步.
- 该方法提供了一种强大而可适应的工具,可以将模拟和现实世界的光谱数据相结合.
- 对于化学合成中频谱数据解释日益加剧的挑战,MMST提供了一个潜在的解决方案.
