論文の概要: Inverse-IMPRESSION: A Graph-based Platform for Molecular Structure Elucidation from Experimental NMR Spectroscopic Properties

• arxiv url: http://arxiv.org/abs/2607.09978v1
• Date: Fri, 10 Jul 2026 21:08:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.268379
• Title: Inverse-IMPRESSION: A Graph-based Platform for Molecular Structure Elucidation from Experimental NMR Spectroscopic Properties
• Title（参考訳）: Inverse-impression:実験NMRによる分子構造解明のためのグラフベースプラットフォーム
• Abstract要約: Inverted Graph Transformer Network, IMPRESSION-G2 上に構築したプラットフォームを提案する。 実験核磁気共鳴(NMR)分光情報から直接分子結合を正確かつ迅速に再構築することができる。 逆表現フレームワークは、実験データに基づくグラフベース機械学習を用いて、分子構造の自動解明のための最初の効果的なアプローチを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Here, we present a platform built on our inverted Graph Transformer Network, IMPRESSION-G2, which can accurately and rapidly reconstruct molecular bonding directly from experimental nuclear magnetic resonance (NMR) spectroscopic information. It comprises three interconnected stages: a one-shot model that predicts bond connectivity between atoms; a structure-correction stage that corrects the predicted structures by removing uncertain bonds and iteratively reassigning them; noise-augmented multi-shot prediction, generating an ensemble of candidate structures, which are ranked to identify the best-fit structure. By integrating a range of $^{1}$H and $^{13}$C NMR data, including two-dimensional (2D) experiments such as COSY, HSQC, and HMBC, the inverse-IMPRESSION platform correctly identifies the structures of 77.8% of molecules with up to 30 heavy atoms (H, C, N, O and F) using simulated NMR data, and 10 of 19 (53%) molecules using experimental NMR data. The experimental structures solved have molecular weights of up to 480 Da and are representative of the complex structures in synthetic and natural products that routinely challenge chemists. The inverse-IMPRESSION framework thus provides the first effective approach for automated molecular structure elucidation using graph-based machine learning on experimental data.
• Abstract（参考訳）: 本稿では, 実験核磁気共鳴(NMR)から分子結合を直接的かつ迅速に再構築可能な, 逆グラフトランスネットワークIMPRESSION-G2上に構築したプラットフォームについて述べる。 原子間の結合接続を予測するワンショットモデル、不確実な結合を除去し、繰り返し再割り当てすることで予測された構造を補正する構造補正ステージ、ノイズ増強されたマルチショット予測、最も適した構造を特定するためにランク付けされた候補構造の集合を生成する。 COSY、HSQC、HMBCのような2次元(2次元)の実験を含む$^{1}$Hと$^{13}$CのNMRデータを統合することで、逆免疫プラットフォームは、実験NMRデータを用いて最大30個の重原子(H、C、N、O、F)を持つ77.8%の分子の構造と、実験NMRデータを用いて19個の(53%)分子のうち10個の構造を正しく識別する。 解かれた実験構造は最大480Daの分子量を持ち、化学者に対して日常的に挑戦する合成物や天然物の複雑な構造を代表している。 逆表現フレームワークは、実験データに基づくグラフベース機械学習を用いて、分子構造の自動解明のための最初の効果的なアプローチを提供する。

関連論文リスト

• Hypothesis-and-Refinement Learning of Organic Structures from Multimodal Spectroscopic Data [41.531262858699925]
  我々は、スペクトル証拠を大規模分子前駆体と密に統合するスケーラブルな仮説修正パラダイムを開発する。 我々は、マルチモーダルスペクトル入力に条件付された化学的に有効な分子仮説を提案するスペクトル-構造モデルであるtextbfSpectroMol を紹介する。 また、分子式、正確な質量、不飽和度を統合した高分解能質量制約分子発生器であるtextbfMS-Mol2Mol を開発した。
  論文  参考訳（メタデータ） (2026-07-22T06:50:53Z)
• Physical probes expose and alleviate chemical-environment collapse in molecular representations [4.299072833614129]
  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。
  論文  参考訳（メタデータ） (2026-05-11T12:03:51Z)
• Pushing the limits of one-dimensional NMR spectroscopy for automated structure elucidation using artificial intelligence [2.18055229961224]
  有機化学において典型的に遭遇する全元素を網羅して、最大40個の非水素原子を持つ系の課題を達成することができるかを示す。 自然言語処理からの洞察を用いて、変換器に基づくアーキテクチャは、最初の15回の予測で55.2%の精度で正しい分子を予測する。
  論文  参考訳（メタデータ） (2025-12-20T22:56:49Z)
• 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)
• 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)
• 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)
• 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)
• Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [68.32093648671496]
  分子に固有の二重レベル構造を考慮に入れたGODEを導入する。 分子は固有のグラフ構造を持ち、より広い分子知識グラフ内のノードとして機能する。 異なるグラフ構造上の2つのGNNを事前学習することにより、GODEは対応する知識グラフサブ構造と分子構造を効果的に融合させる。
  論文  参考訳（メタデータ） (2023-06-02T15:49:45Z)
• Photonic Quantum Computing For Polymer Classification [62.997667081978825]
  2つのポリマークラス (VIS) と近赤外 (NIR) は, ポリマーギャップの大きさに基づいて定義される。 高分子構造の二項分類に対する古典量子ハイブリッド手法を提案する。
  論文  参考訳（メタデータ） (2022-11-22T11:59:52Z)
• State-specific protein-ligand complex structure prediction with a multi-scale deep generative model [68.28309982199902]
  タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。 我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
  論文  参考訳（メタデータ） (2022-09-30T01:46:38Z)

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。