上下文感知的自动化核磁共振结构解析

arXiv:2611.07133v1 公告类型：交叉发布 摘要：机器学习方法正在迅速革新从化学数据中进行分析并提取结构信息的能力，从而推动高通量化学发现。现有数据驱动方法在从头预测化学结构方面已展现出巨大潜力，而引入额外的化学背景信息，有望进一步提升这些模型的性能并拓展其实际应用价值。本文提出了一套简便的流程，将基于人工智能的光谱结构解析流程与化学上下文数据（例如已知反应物或期望产物）相结合，具体通过自动化逆合成分析，生成包含分子及以合成前体形式表示的上下文数据的大规模训练集。我们展示了近期提出的核磁共振结构解析框架如何通过训练有效利用分子前体上下文，以验证该方法。结果表明，当化学上下文能够提供有关目标分子的有用信息时，相较于仅使用核磁共振谱，预测准确率可显著提高；对于重原子数不超过40个、覆盖有机化学全部元素范围的分子，Top-15准确率最高可达95.4%。此外，我们证明了该方法具有很强的稳健性：即使所提供的上下文与目标无关，仍可获得与原始核磁共振结构解析框架相当的准确率。该方法为利用上下文数据改进各类光谱结构解析平台提供了一条高效途径。