論文の概要: Hypothesis-and-Refinement Learning of Organic Structures from Multimodal Spectroscopic Data

• arxiv url: http://arxiv.org/abs/2607.19816v1
• Date: Wed, 22 Jul 2026 06:50:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-23 18:51:37.995473
• Title: Hypothesis-and-Refinement Learning of Organic Structures from Multimodal Spectroscopic Data
• Title（参考訳）: 多モード分光データによる有機構造の仮説と微細化学習
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 41.531262858699925
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Determining molecular structures from spectroscopic data remains fundamentally challenging because the inverse problem is intrinsically underdetermined: individual spectra are sparse, low-dimensional, and encode only partial structural evidence relative to the vast space of possible molecules. We address this challenge by formulating automated structure elucidation as a scalable hypothesis-refinement paradigm that tightly integrates spectral evidence with large-scale molecular priors. To supply structure-resolving NMR signals for multimodal learning, we construct \textbf{QM9SPIN}, a DFT-derived dataset comprising diverse 1D and 2D spectra, including J-coupling, DEPT experiments, and explicit spin--spin interactions. On this foundation, we introduce \textbf{SpectroMol}, a spectrum-to-structure model that proposes chemically valid molecular hypotheses conditioned on multimodal spectral inputs. Complementarily, we develop \textbf{MS-Mol2Mol}, a high-resolution mass-constrained molecular generator that integrates molecular formula, exact mass, and degree of unsaturation within a conditional generative prior trained on 400 million molecules, ensuring global compositional consistency and chemically realistic refinement. The integrated system achieves 93.8\% top-1 accuracy on the simulated benchmark, adapts effectively from simulated to experimental spectra with limited experimental fine-tuning, and further improves experimental predictions through mass-guided refinement, establishing a scalable route toward automated, data-driven organic structure elucidation.
• Abstract（参考訳）: 逆問題は本質的に過小評価されており、個々のスペクトルはスパースで低次元であり、考えられる分子の広大な空間に対する部分的な構造的証拠のみを符号化している。 この課題は、大規模分子前駆体とスペクトル証拠を密に統合するスケーラブルな仮説修正パラダイムとして、自動構造解明を定式化することによって解決される。 マルチモーダル学習のための構造分解型NMR信号の供給を目的として,J-カップリング,DEPT実験,明示的なスピンスピン相互作用を含む,多種多様な1Dおよび2DスペクトルからなるDFT由来のデータセットであるtextbf{QM9SPIN}を構築した。 本稿では,マルチモーダルスペクトル入力に条件付け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 \textbf{SpectroMol} を紹介する。 相補的に, 分子式, 正確な質量, 不飽和度を統合した高分解能な質量制約分子生成装置である \textbf{MS-Mol2Mol} を開発した。 この統合システムは、シミュレーションされたベンチマーク上で93.8\%のトップ-1精度を実現し、実験的な微調整でシミュレートされたスペクトルから実験的なスペクトルに効果的に適応し、さらに質量誘導精製による実験的予測を改善し、自動化されたデータ駆動の有機構造解明へのスケーラブルな経路を確立する。

関連論文リスト

• Multi-Agent Closed-Loop Reasoning for Organic Structure Elucidation from Multimodal Spectra [14.276214371686855]
  我々は,専門家の反復的仮説検証をエミュレートし,構造解明を自動化するマルチエージェントシステムMACROSを提案する。 様々な現実世界のサンプルに対して前例のないゼロショットの一般化を実現し、1DNMRで500 Da以上の合成化合物、天然物、代謝物を正しく同定する。 MacROSは化学者が協力して6倍速く、40%精度が向上する。
  論文  参考訳（メタデータ） (2026-08-12T05:48:29Z)
• Inverse-IMPRESSION: A Graph-based Platform for Molecular Structure Elucidation from Experimental NMR Spectroscopic Properties [0.0]
  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。
  論文  参考訳（メタデータ） (2026-07-10T21:08:51Z)
• 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)
• 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)
• 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)
• 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)

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。