論文の概要: Atomic Diffusion Models for Small Molecule Structure Elucidation from NMR Spectra

• arxiv url: http://arxiv.org/abs/2512.03127v1
• Date: Tue, 02 Dec 2025 18:59:13 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-04 11:55:48.331929
• Title: Atomic Diffusion Models for Small Molecule Structure Elucidation from NMR Spectra
• Title（参考訳）: NMRスペクトルからの微小分子構造解明のための原子拡散モデル
• Authors: Ziyu Xiong, Yichi Zhang, Foyez Alauddin, Chu Xin Cheng, Joon Soo An, Mohammad R. Seyedsayamdost, Ellen D. Zhong,
• Abstract要約: ChefNMR (Chemical Elucidation From NMR) は、未知の分子の構造を直接予測するエンドツーエンドのフレームワークである。 天然物に含まれる複雑な化学物質群をモデル化するため,111,000以上の天然物に対してシミュレーションされた1次元NMRスペクトルのデータセットを作成した。 ChefNMRは、未通過の精度が65%を超える、挑戦的な天然物化合物の構造を予測する。
• 参考スコア（独自算出の注目度）: 5.818797900550866
• License:
• Abstract: Nuclear Magnetic Resonance (NMR) spectroscopy is a cornerstone technique for determining the structures of small molecules and is especially critical in the discovery of novel natural products and clinical therapeutics. Yet, interpreting NMR spectra remains a time-consuming, manual process requiring extensive domain expertise. We introduce ChefNMR (CHemical Elucidation From NMR), an end-to-end framework that directly predicts an unknown molecule's structure solely from its 1D NMR spectra and chemical formula. We frame structure elucidation as conditional generation from an atomic diffusion model built on a non-equivariant transformer architecture. To model the complex chemical groups found in natural products, we generated a dataset of simulated 1D NMR spectra for over 111,000 natural products. ChefNMR predicts the structures of challenging natural product compounds with an unsurpassed accuracy of over 65%. This work takes a significant step toward solving the grand challenge of automating small-molecule structure elucidation and highlights the potential of deep learning in accelerating molecular discovery. Code is available at https://github.com/ml-struct-bio/chefnmr.
• Abstract（参考訳）: 核磁気共鳴分光(NMR)は、小さな分子の構造を決定するための基礎技術であり、特に新しい天然物や臨床治療の発見において重要である。 しかし、NMRスペクトルの解釈は、広範なドメインの専門知識を必要とする、時間を要する手作業のプロセスのままである。 1次元NMRスペクトルと化学式のみから、未知の分子の構造を直接予測するエンドツーエンドのフレームワークであるChefNMR(Chemical Elucidation From NMR)を紹介する。 非同変変圧器アーキテクチャ上に構築された原子拡散モデルから条件生成としての構造推定を行う。 天然物に含まれる複雑な化学物質群をモデル化するため,111,000以上の天然物に対してシミュレーションされた1次元NMRスペクトルのデータセットを作成した。 ChefNMRは、未通過の精度が65%を超える、挑戦的な天然物化合物の構造を予測する。 この研究は、分子構造解明の自動化という大きな課題の解決に向けて大きな一歩を踏み出し、分子発見を加速する深層学習の可能性を強調している。 コードはhttps://github.com/ml-struct-bio/chefnmrで入手できる。

関連論文リスト

• Mamba-driven multi-perspective structural understanding for molecular ground-state conformation prediction [69.32436472760712]
  本稿では,マンバ駆動型多面的構造理解(MPSU-Mamba)による分子基底状態の局在化手法を提案する。 複雑で多様な分子に対しては、対応する分子構造の包括的認識を構築するために、3種類の専用の走査戦略が検討されている。 QM9 と Molecule3D データセットの実験結果から,MPSU-Mamba が既存の手法よりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2025-11-10T11:18:32Z)
• Breaking the Modality Barrier: Generative Modeling for Accurate Molecule Retrieval from Mass Spectra [60.08608779794957]
  本稿では,ジェネレーティブ言語モデルに基づく検索フレームワークであるGLMRを提案する。 検索前の段階では、比較学習に基づくモデルでは、上位候補分子を入力質量スペクトルの文脈的先行として識別する。 生成検索段階において、これらの候補分子は入力質量スペクトルと統合され、精製された分子構造を生成するための生成モデルが導かれる。
  論文  参考訳（メタデータ） (2025-11-09T07:25:53Z)
• NMR-Solver: Automated Structure Elucidation via Large-Scale Spectral Matching and Physics-Guided Fragment Optimization [24.714189961887215]
  核磁気共鳴分光法(英: Nuclear Magnetic Resonance spectroscopy、NMR)は、有機化学において最も強力で広く用いられている分子構造解明法の一つである。 本稿では,小さな有機分子構造を1ドルHおよび13ドルCのNMRスペクトルから自動決定するための,実用的で解釈可能なフレームワークであるNMR-rについて述べる。
  論文  参考訳（メタデータ） (2025-08-30T23:59:12Z)
• DiffSpectra: Molecular Structure Elucidation from Spectra using Diffusion Models [68.19129717255053]
  本稿では、分子構造解明を条件生成プロセスとして定式化する生成フレームワークであるDiffSpectraについて述べる。 我々の実験では、DiffSpectraが分子構造を正確に解明し、40.76%のトップ-1と99.49%のトップ10を達成している。
  論文  参考訳（メタデータ） (2025-07-09T13:57:20Z)
• DiffNMR: Diffusion Models for Nuclear Magnetic Resonance Spectra Elucidation [9.321270922757442]
  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。
  論文  参考訳（メタデータ） (2025-07-09T06:21:36Z)
• 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)
• Accurate and efficient structure elucidation from routine one-dimensional NMR spectra using multitask machine learning [1.2754578699685275]
  本稿では,その1D 1Hおよび13C NMRスペクトルに基づいて未知化合物の分子構造を予測する機械学習フレームワークを提案する。 この機能を畳み込みニューラルネットワーク(CNN)に統合することで、高速かつ高精度なスペクトルから構造を予測するエンドツーエンドモデルを構築します。
  論文  参考訳（メタデータ） (2024-08-15T17:37:36Z)
• 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)

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。