論文の概要: Physical probes expose and alleviate chemical-environment collapse in molecular representations

• arxiv url: http://arxiv.org/abs/2605.10429v1
• Date: Mon, 11 May 2026 12:03:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.789845
• Title: Physical probes expose and alleviate chemical-environment collapse in molecular representations
• Title（参考訳）: 物理プローブは分子表現における化学的環境崩壊を露呈し緩和する
• Authors: Jiebin Fang, Zidi Yan, Churu Mao, Yongjun Jiang, Xinyi Tang, Lei Miao, Dan Lu, Yun Huang, Wanjing Ding, Zhongjun Ma,
• Abstract要約: CLAIM(Contrastive Learning for Atom-to-molecule Inference of Molecular NMR)は、効率的な分子入力を原子分解NMR観測器と整合させるフレームワークである。 CLAIMは失われた化学分解能を回復し、原子レベルの分子スペクトルの検索を著しく改善する。 これらの結果は, 化学的環境崩壊を緩和するための有効な戦略として, 物理的に接地したスペクトルアライメントを確立する。
• 参考スコア（独自算出の注目度）: 4.299072833614129
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nuclear magnetic resonance (NMR) spectroscopy provides an experimental readout of local chemical environments, but its use in molecular representation learning has been constrained by heterogeneous data and incomplete atom-level assignments. Here we construct complementary high-fidelity experimental and computational 13C NMR resources, which reveal a recurrent form of representational collapse: atoms that are equivalent in molecular topology can remain experimentally distinct in their real chemical environments, whereas explicit 3D descriptions are further limited by static conformations in dynamic regimes. To alleviate this bottleneck, we develop CLAIM (Contrastive Learning for Atom-to-molecule Inference of Molecular NMR), a framework that aligns efficient topological molecular inputs with atom-resolved NMR observables. Through hierarchical chemical priors and cross-level contrastive learning, CLAIM restores lost chemical resolution and markedly improves atom-level molecule-spectrum retrieval. CLAIM remains robust in flexible and tautomeric systems for 13C NMR prediction, improves stereoisomer discrimination without explicit 3D modelling, and transfers to broader molecular property tasks including ADMET prediction and fluorescence estimation. These results establish physically grounded spectral alignment as an effective strategy for alleviating chemical-environment collapse and for guiding experimentally grounded molecular representation learning.
• Abstract（参考訳）: 核磁気共鳴分光法(NMR)は局所的な化学環境の実験的な読み出しを提供するが、分子表現学習におけるその利用は不均一なデータと不完全な原子レベルの割り当てによって制限されている。 ここでは、分子トポロジーで等価な原子は、実際の化学環境において実験的に区別されるが、明示的な3D記述は、動的状態における静的な配座によってさらに制限される。 このボトルネックを軽減するために、効率的なトポロジカル分子入力を原子分解NMR観測器と整合させるフレームワークであるCLAIM(Contrastive Learning for Atom-to-molecule Inference of Molecular NMR)を開発した。 階層的な化学先行とクロスレベルな対照的な学習を通じて、CLAIMは失われた化学分解能を回復し、原子レベルの分子スペクトルの検索を著しく改善する。 CLAIMは、13C NMR予測のための柔軟で自動的なシステムにおいて堅牢であり、明示的な3次元モデリングなしで立体異性体識別を改善し、ADMET予測や蛍光推定を含むより広範な分子特性タスクに転送する。 これらの結果は, 化学的・環境崩壊を緩和し, 分子表現学習を指導するための有効な戦略として, 物理的基盤のスペクトルアライメントを確立した。

関連論文リスト

• COMO: Closed-Loop Optical Molecule Recognition with Minimum Risk Training [0.0]
  光化学構造認識(OCSR)に最小リスクトレーニングを導入する COMOは、分子レベルの非微分可能な目的を直接最適化することで、露光バイアスを緩和するクローズドループフレームワークである。 合成および実世界の化学図を含む10のベンチマーク実験では、COMOが既存のルールベースおよび学習ベースの手法を大幅に上回っていることが示されている。
  論文  参考訳（メタデータ） (2026-04-26T05:48:21Z)
• How well can off-the-shelf LLMs elucidate molecular structures from mass spectra using chain-of-thought reasoning? [51.286853421822705]
  大規模言語モデル (LLM) は推論集約的な科学的タスクを約束するが、化学的解釈の能力はまだ不明である。 我々は、分子構造を予測するために、LLMが質量スペクトルデータに対してどのように理由を持つかを評価する、Chain-of-Thought(CoT)プロンプトフレームワークとベンチマークを導入する。 SMILESの妥当性, 式整合性, 構造的類似性の指標による評価の結果, LLMは合成学的に有効で, 部分的に可視な構造を生成できるが, 分子予測の正確性やリンク推論を達成できないことがわかった。
  論文  参考訳（メタデータ） (2026-01-09T20:08:42Z)
• NMIRacle: Multi-modal Generative Molecular Elucidation from IR and NMR Spectra [13.594833907772783]
  NMIRacleは、最小限の仮定でAI駆動分光の最近のパラダイムの上に構築された、2段階の生成フレームワークである。 最初の段階では、NMIRacleはカウントアウェアの断片コードから分子構造を再構築することを学ぶ。 第2段階では、スペクトルエンコーダが入力分光測定値を潜時埋め込みにマッピングする。 この定式化はフラグメントレベルの化学モデリングをスペクトル証拠で橋渡しし、正確な分子予測をもたらす。
  論文  参考訳（メタデータ） (2025-12-17T10:29:39Z)
• 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)
• Aligned Manifold Property and Topology Point Clouds for Learning Molecular Properties [55.2480439325792]
  この研究は、局所量子由来のスカラー場とカスタムトポロジカルディスクリプタを組み合わせた分子表面表現であるAMPTCRを導入する。 分子量については、AMPTCRが物理的に意味のあるデータをコードし、検証R2は0.87であることを確認した。 細菌抑制タスクでは、AMPTCRは大腸菌阻害値の分類と直接回帰の両方を可能にする。
  論文  参考訳（メタデータ） (2025-07-22T04:35:50Z)
• 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)
• Knowledge-aware contrastive heterogeneous molecular graph learning [77.94721384862699]
  分子グラフを不均一な分子グラフ学習(KCHML)に符号化するパラダイムシフトを提案する。 KCHMLは、不均一な分子グラフと二重メッセージパッシング機構によって強化された3つの異なるグラフビュー-分子、元素、薬理学-を通して分子を概念化する。 この設計は、プロパティ予測やドラッグ・ドラッグ・インタラクション(DDI)予測などの下流タスクに対する包括的な表現を提供する。
  論文  参考訳（メタデータ） (2025-02-17T11:53:58Z)
• Carbohydrate NMR chemical shift predictions using E(3) equivariant graph neural networks [0.0]
  この研究は、E(3)同変グラフニューラルネットワークを利用して炭水化物NMRスペクトルを予測する新しいアプローチを導入する。 特に,従来のモデルと比較して,平均絶対誤差を最大3倍に削減した。 この含意は、炭水化物の構造とスペクトル解釈の高度な理解を超えている。
  論文  参考訳（メタデータ） (2023-11-21T15:01:14Z)
• Chemical-Reaction-Aware Molecule Representation Learning [88.79052749877334]
  本稿では,化学反応を用いて分子表現の学習を支援することを提案する。 本手法は,1) 埋め込み空間を適切に整理し, 2) 分子埋め込みの一般化能力を向上させるために有効であることが証明された。 実験結果から,本手法は様々なダウンストリームタスクにおける最先端性能を実現することが示された。
  論文  参考訳（メタデータ） (2021-09-21T00:08:43Z)

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。