論文の概要: Towards Generalizable and Evidential Nuclear Magnetic Resonance-Based Molecular Structure Elucidation via Large Language Model Agent
- arxiv url: http://arxiv.org/abs/2606.29776v1
- Date: Mon, 29 Jun 2026 04:38:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:16.052025
- Title: Towards Generalizable and Evidential Nuclear Magnetic Resonance-Based Molecular Structure Elucidation via Large Language Model Agent
- Title（参考訳）: 大規模言語モデルエージェントによる核磁気共鳴に基づく分子構造解明に向けて
- Abstract要約: 核磁気共鳴分光法は分子構造解明の金標準である。
データベース検索は、新しい足場を特定できない。
本稿では,大規模言語モデルを用いたNMRAgentについて述べる。
- 参考スコア（独自算出の注目度）: 14.26731930385033
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Nuclear Magnetic Resonance (NMR) spectroscopy is the gold standard for molecular structure elucidation, yet interpreting complex spectra for unknown molecules remains a bottleneck reliant on human expertise. While artificial intelligence has advanced this field, current methods face a critical trade-off: database retrieval cannot identify novel scaffolds, while de novo molecular structure elucidation models operate as black boxes, lacking the atom-level interpretability required for rigorous scientific validation. Here, we present NMRAgent, an evidential reasoning agent powered by large language models (LLMs) that bridges this gap by integrating specialized spectral analysis tools with chemical knowledge graphs. Unlike previous approaches, NMRAgent mimics the deductive reasoning of human experts: it takes experimental NMR spectra and molecular formula as input, plans the elucidation process, proposes candidate structures, verifies peak-atom consistency, and refines misaligned substructure through formula-aware fragment optimization. Enabled by its evidential reasoning, NMRAgent outperforms state-of-the-art methods, improving top-1 accuracy by 46.5% and Tanimoto similarity by 0.502 on a scaffold-split benchmark with novel scaffolds in the test set. Besides, we demonstrate the agent's practical utility by elucidating the structures of two previously unknown natural products isolated from Hydrangea davidii and Vitex trifolia, and by correcting structural misassignments in established literature. By combining high-accuracy prediction with transparent and evidence-based reasoning, NMRAgent establishes a new paradigm for interpretable AI in analytical chemistry.
- Abstract（参考訳）: 核磁気共鳴分光法(NMR)は、分子構造解明のための金の標準であるが、未知の分子の複雑なスペクトルを解釈することは、人間の専門知識に依存しているボトルネックである。
データベース検索は新たな足場を特定することはできないが、デ・ノボ分子構造解明モデルはブラックボックスとして機能し、厳密な科学的検証に必要な原子レベルの解釈性に欠ける。
本稿では,このギャップを埋めるために,化学知識グラフと特殊なスペクトル分析ツールを組み合わせることで,大規模言語モデル(LLM)を利用した明確な推論エージェントであるNMRAgentを提案する。
NMRAgentは、実験的なNMRスペクトルと分子式を入力として用い、決定過程を計画し、候補構造を提案し、ピーク原子の一貫性を検証し、式認識の断片最適化によって不整合部分構造を洗練する。
その明らかな推論により、NMRAgentは最先端の手法より優れ、テストセットに新しい足場を持つ足場分割ベンチマークにおいて、トップ1の精度を46.5%向上し、谷本は0.502向上した。
さらに,Hydrangea davidii と Vitex trifolia から分離された2つの未知の天然物の構造を解明し,確立された文献における構造的ミスアサインを補正することによって,エージェントの実用性を実証した。
NMRAgentは、高精度な予測と透明でエビデンスに基づく推論を組み合わせることで、分析化学におけるAIの解釈可能な新しいパラダイムを確立する。
関連論文リスト
- Data Fusion and Contrastive Alignment for Unconstrained IR Molecular Structure Elucidation [0.8251361103779816]
従来のエンコーダ・デコーダ変換器のキー変更を提案し,評価する。
非付加的なアグリゲーションを利用する新しいMixture-of-Experts (MoE)デコーダモジュールを実装した。
これらの拡張により、ベースラインIRのみのモデルと比較してトップK予測精度が10ポイント以上向上した。
論文 参考訳（メタデータ） (2026-07-28T18:15:46Z) - SCENT: Aligning Mass Spectra with Molecular Structure for Olfactory Perception [48.96518000981492]
直接電子イオン化質量分析法(EI-MS)を嗅覚予測のための代替入力モードとして検討する。
我々は、EI-MS表現と予め訓練された化学構造埋め込みを整合させるマルチモーダルコントラスト学習フレームワークであるSpectrum-to-Chemical EmbeddingalignedmeNT(SCENT)を寄贈する。
マルチラベルの匂い記述子予測タスクでは、SCENTはMSのみのベースラインを著しく上回り、構造ベースモデルに匹敵する嗅覚性能を達成する。
論文 参考訳（メタデータ） (2026-05-26T13:28:57Z) - 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) - Atomic Diffusion Models for Small Molecule Structure Elucidation from NMR Spectra [5.818797900550866]
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。
論文 参考訳（メタデータ） (2025-12-02T18:59:13Z) - 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) - Test-Time Tuned Language Models Enable End-to-end De Novo Molecular Structure Generation from MS/MS Spectra [31.563216077422084]
タンデム質量分析法は、代謝学、天然物発見、環境分析などの重要な分野における未知化合物の同定を可能にする。
テスト時間チューニングを活用することで,事前学習されたトランスフォーマーモデルの学習を向上し,このギャップに対処するフレームワークを導入する。
我々は、NPLIB1とMassSpecGymの2つの人気のあるベンチマークで、DiffMSのデファクトステート・オブ・ザ・アーティカルアプローチを100%と20%上回った。
論文 参考訳（メタデータ） (2025-10-27T18:25:36Z) - Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。
我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
論文 参考訳（メタデータ） (2025-10-20T17:56:01Z) - 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) - 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)
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。