論文の概要: DiffNMR: Diffusion Models for Nuclear Magnetic Resonance Spectra Elucidation

• arxiv url: http://arxiv.org/abs/2507.08854v1
• Date: Wed, 09 Jul 2025 06:21:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-15 18:48:21.563194
• Title: DiffNMR: Diffusion Models for Nuclear Magnetic Resonance Spectra Elucidation
• Title（参考訳）: DiffNMR:核磁気共鳴スペクトルの拡散モデル
• Authors: Qingsong Yang, Binglan Wu, Xuwei Liu, Bo Chen, Wei Li, Gen Long, Xin Chen, Mingjun Xiao,
• Abstract要約: 核磁気共鳴分光法 (NMR) は分子構造解明のための中心的な評価法である。 我々は、NMRスペクトルから脱ノボ分子構造を解明する条件付き離散拡散モデルを利用する、新しいエンドツーエンドフレームワークであるDiffNMRを紹介する。
• 参考スコア（独自算出の注目度）: 9.321270922757442
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nuclear Magnetic Resonance (NMR) spectroscopy is a central characterization method for molecular structure elucidation, yet interpreting NMR spectra to deduce molecular structures remains challenging due to the complexity of spectral data and the vastness of the chemical space. In this work, we introduce DiffNMR, a novel end-to-end framework that leverages a conditional discrete diffusion model for de novo molecular structure elucidation from NMR spectra. DiffNMR refines molecular graphs iteratively through a diffusion-based generative process, ensuring global consistency and mitigating error accumulation inherent in autoregressive methods. The framework integrates a two-stage pretraining strategy that aligns spectral and molecular representations via diffusion autoencoder (Diff-AE) and contrastive learning, the incorporation of retrieval initialization and similarity filtering during inference, and a specialized NMR encoder with radial basis function (RBF) encoding for chemical shifts, preserving continuity and chemical correlation. Experimental results demonstrate that DiffNMR achieves competitive performance for NMR-based structure elucidation, offering an efficient and robust solution for automated molecular analysis.
• Abstract（参考訳）: 核磁気共鳴分光法(英: Nuclear Magnetic Resonance spectroscopy, NMR)は、分子構造解明のための中心的な評価法であるが、NMRスペクトルを分子構造を推定するために解釈することは、スペクトルデータの複雑さと化学空間の広さのために依然として困難である。 本稿では、NMRスペクトルから脱ノボ分子構造を解明する条件付き離散拡散モデルを利用する、新しいエンドツーエンドフレームワークであるDiffNMRを紹介する。 DiffNMRは拡散に基づく生成過程を通じて分子グラフを反復的に洗練し、自己回帰法に固有の大域的な一貫性と誤差の蓄積を緩和する。 このフレームワークは、拡散オートエンコーダ(Diff-AE)とコントラスト学習を介してスペクトルと分子の表現を整列する2段階事前学習戦略、推論中の検索初期化と類似度フィルタリングの導入、化学シフト、連続性と化学相関を保存するための放射基底関数(RBF)をコードする特殊なNMRエンコーダを統合する。 実験により、DiffNMRはNMRに基づく構造解明のための競合性能を達成し、自動分子解析のための効率的で堅牢な解を提供することを示した。

関連論文リスト

• DiffSpectra: Molecular Structure Elucidation from Spectra using Diffusion Models [66.41802970528133]
  スペクトルからの分子構造解明は化学の基礎的な問題である。 従来の手法は専門家の解釈に大きく依存し、拡張性に欠ける。 マルチモーダルスペクトルデータから2次元および3次元分子構造を直接推定する生成フレームワークであるDiffSpectraを提案する。
  論文  参考訳（メタデータ） (2025-07-09T13:57:20Z)
• DiffNMR: Advancing Inpainting of Randomly Sampled Nuclear Magnetic Resonance Signals [1.2582887633807602]
  核磁気共鳴分光法は分子の化学環境、構造、力学を探索するために用いられる。 非均一サンプリング(NUS)はこれらの課題に対処するためのサブサンプリング手法として広く用いられている。 本研究では,NUSスペクトルの再構成品質を高めるためのディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2025-05-26T11:06:11Z)
• DiffMS: Diffusion Generation of Molecules Conditioned on Mass Spectra [60.39311767532607]
  本稿では,DiffMSを提案する。DiffMS,式制限付きエンコーダ・デコーダ生成ネットワークは,このタスクにおける最先端性能を実現する。 遅延埋め込みと分子構造をブリッジするロバストデコーダを開発するために,フィンガー構造対による拡散デコーダの事前訓練を行う。 確立されたベンチマーク実験により、DiffMSはデノボ分子生成における既存のモデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-13T18:29:48Z)
• DiffNMR3: Advancing NMR Resolution Beyond Instrumental Limits [1.1844780810044506]
  高分解能NMRは高分解能のスペクトルを提供するが、低分解能の機器はよりアクセスしやすいが低分解能の結果を提供する。 本稿では,超解像法によりNMRスペクトルの周波数分解能を高めるAI駆動方式を提案する。
  論文  参考訳（メタデータ） (2025-02-06T21:00:35Z)
• DiffNMR2: NMR Guided Sampling Acquisition Through Diffusion Model Uncertainty [2.4634393035848494]
  本稿では,タンパク質NMRデータに基づく拡散モデルに基づく新しいサブサンプリング手法を提案する。 提案手法は, モデル不確実性を用いてアンダーサンプルスペクトルを反復的に再構成し, その後のサンプリングをガイドし, 取得時間を著しく短縮する。 この進歩は、薬物発見から物質科学まで、迅速かつ高分解能のスペクトル分析が不可欠である多くの応用を約束する。
  論文  参考訳（メタデータ） (2025-02-06T20:10:28Z)
• Graph-neural-network predictions of solid-state NMR parameters from spherical tensor decomposition [0.0]
  核磁気共鳴(NMR)は、物質の局所的な原子構造に敏感な強力な分光法である。 機械学習(ML)は、このような予測を行うための効率的なルートとして登場した。
  論文  参考訳（メタデータ） (2024-12-19T17:11:07Z)
• Unraveling Molecular Structure: A Multimodal Spectroscopic Dataset for Chemistry [0.1747623282473278]
  このデータセットは、特許データから化学反応から抽出された790k分子の1ドルH-NMR、13ドルC-NMR、HSQC-NMR、赤外線、質量スペクトルからなる。 本研究では, 構造解明, 対象分子のスペクトル予測, 機能群予測などの単一モダリティタスクを評価するためのベンチマークを行う。
  論文  参考訳（メタデータ） (2024-07-04T12:52:48Z)
• TransPeakNet: Solvent-Aware 2D NMR Prediction via Multi-Task Pre-Training and Unsupervised Learning [5.7279868722119325]
  2次元NMRにおけるクロスピーク予測のための教師なしトレーニングフレームワークを提案する。 このアプローチでは、1Hと13Cシフトの注釈付き1Dデータセット上でMLモデルを事前トレーニングし、教師なしの方法で微調整する。 479名のエキスパートアノテートHSQCスペクトルの評価は,従来の手法よりもモデルの方が優れていることを示す。
  論文  参考訳（メタデータ） (2024-03-17T21:52:51Z)
• Towards Predicting Equilibrium Distributions for Molecular Systems with Deep Learning [60.02391969049972]
  本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。 DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
  論文  参考訳（メタデータ） (2023-06-08T17:12:08Z)
• Calculating non-linear response functions for multi-dimensional electronic spectroscopy using dyadic non-Markovian quantum state diffusion [68.8204255655161]
  本稿では,分子集合体の多次元電子スペクトルと電子励起を結合した構造環境下でのシミュレーション手法を提案する。 このアプローチの重要な側面は、NMQSD方程式を2重系ヒルベルト空間で伝播するが、同じ雑音を持つことである。
  論文  参考訳（メタデータ） (2022-07-06T15:30:38Z)
• Unsupervised Spectral Unmixing For Telluric Correction Using A Neural Network Autoencoder [58.720142291102135]
  本研究では,HARPS-N線速度スペクトルから高精度の太陽スペクトルを抽出するニューラルネットワークオートエンコーダ手法を提案する。
  論文  参考訳（メタデータ） (2021-11-17T12:54:48Z)
• Two-Dimensional Single- and Multiple-Quantum Correlation Spectroscopy in Zero-Field Nuclear Magnetic Resonance [55.41644538483948]
  Rb気相セル磁気センサを用いてゼロ磁場で検出された1量子および複数量子相関$J$-spectroscopyを示す。 ゼロフィールドでは、エタノールのスペクトルは炭素イソトポマーの混合物として現れ、相関スペクトルは2つの複合スペクトルを分離するのに有用である。
  論文  参考訳（メタデータ） (2020-04-09T10:02:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。