用于从NMR谱解析小分子结构的原子扩散模型
机器学习
2025-12-04 v1 人工智能
化学物理
摘要
核磁共振（NMR）波谱是确定小分子结构的基础技术，在新型天然产物和临床治疗药物的发现中尤为重要。然而，解读NMR谱仍然是一个耗时的手动过程，需要大量的领域专业知识。我们引入了ChefNMR（CHemical Elucidation From NMR），一个端到端框架，仅从1D NMR谱和化学式直接预测未知分子的结构。我们将结构解析框定为基于非等变变换器架构构建的原子扩散模型的条件生成。为了模拟天然产物中复杂的化学基团，我们生成了超过111,000种天然产物的模拟1D NMR谱数据集。ChefNMR对具有挑战性的天然产物化合物的结构预测达到了前所未有的超过65%的准确率。这项工作在解决自动化小分子结构解析这一重大挑战方面迈出了重要一步，并展示了深度学习在加速分子发现方面的潜力。代码可在 https://github.com/ml-struct-bio/chefnmr 获取。
引用
@article{arxiv.2512.03127,
title = {Atomic Diffusion Models for Small Molecule Structure Elucidation from NMR Spectra},
author = {Ziyu Xiong and Yichi Zhang and Foyez Alauddin and Chu Xin Cheng and Joon Soo An and Mohammad R. Seyedsayamdost and Ellen D. Zhong},
journal= {arXiv preprint arXiv:2512.03127},
year = {2025}
}
备注
NeurIPS 2025