論文の概要: Multi-Agent Closed-Loop Reasoning for Organic Structure Elucidation from Multimodal Spectra
- arxiv url: http://arxiv.org/abs/2608.14720v1
- Date: Wed, 12 Aug 2026 05:48:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.049013
- Title: Multi-Agent Closed-Loop Reasoning for Organic Structure Elucidation from Multimodal Spectra
- Title（参考訳）: マルチモーダルスペクトルからの有機構造解明のためのマルチエージェント閉ループ推論
- Authors: Bingsen Xue, Zhuojun Jiang, Jianhao Zhang, Mingcheng Gu, Yizhe Yuan, Yongtai Zhuo, Yifan Zhang, Li Wang, Ya Su, Yue Yuan, Jiang Liu, Xueqian Kong, Cheng Jin,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 14.276214371686855
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Following the molecular discovery and synthesis revolutions, scalable automated structure elucidation from routine spectroscopic data remains an outstanding challenge. Despite decades of computational efforts, no existing system achieved reliable reasoning over unseen spectra. Here, we propose MACROS, a multi-agent system automating structure elucidation by emulating expert iterative hypothesis-testing. Trained on 100M simulated and 1.6M experimental spectra-molecule pairs, it natively supports arbitrary combinations of routine spectroscopic techniques. It achieves unprecedented zero-shot generalization to diverse real-world samples, correctly identifying synthetic compounds, natural products and metabolites above 500 Da with 1D NMR. Remarkably, MACROS spontaneously recovers textbook spectroscopic correlations from unassigned data and exhibits emergent chemical intuition such as a ring-first parsing preference, learning fundamental chemical principles rather than memorizing database patterns. MACROS augments chemists via collaboration to deliver sixfold faster, 40% more accurate elucidation. MACROS establishes a scalable foundation for fully automated structure elucidation, and catalyzes accelerated molecular discovery toward autonomous laboratories.
- Abstract（参考訳）: 分子の発見と合成の革命の後、通常の分光データからスケーラブルな自動構造を解明することは、依然として顕著な課題である。
数十年にわたる計算努力にもかかわらず、既存のシステムは目に見えないスペクトルに対する信頼できる推論を達成できなかった。
本稿では,専門家の反復的仮説検証をエミュレートして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。
100Mのシミュレーションと1.6Mの実験的な分光-分子対で訓練され、通常分光技術の任意の組み合わせをネイティブにサポートした。
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。
興味深いことに、MACROSは、割り当てられていないデータから教科書の分光相関を自然に回収し、リングファースト解析の好みのような創発的な化学直観を示し、データベースパターンを記憶するよりも基本的な化学原理を学ぶ。
MACROSは化学者が協力して6倍高速で、40%精度が向上する。
MACROSは、完全に自動化された構造解明のためのスケーラブルな基盤を確立し、自律的な研究室への分子発見を加速させる。
関連論文リスト
- Simulation-to-real transfer learning for infrared spectroscopic chemical sensing and analysis from molecules to complex samples [24.876793672294635]
1億以上のパラメータを持つIR分光の基礎モデルであるUltraIRを紹介する。
化学センシングと分子から複雑な試料への分析のためのシミュレーションから現実への変換学習を可能にする。
従来の機械学習やタスク固有のディープラーニングのベースラインよりも優れています。
論文 参考訳（メタデータ） (2026-08-13T15:11:50Z) - 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) - Towards Generalizable and Evidential Nuclear Magnetic Resonance-Based Molecular Structure Elucidation via Large Language Model Agent [14.26731930385033]
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。
論文 参考訳（メタデータ） (2026-06-29T04:38:01Z) - 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) - 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) - DiSE: A diffusion probabilistic model for automatic structure elucidation of organic compounds [17.43184484460819]
DiSEは、複数の分光モダリティを統合する、エンドツーエンドの拡散に基づく生成モデルである。
それは、計算されたスペクトルで訓練されているにもかかわらず、優れた精度、化学的に多様なデータセットをまたいだ強力な一般化、実験データに対する堅牢性を達成する。
論文 参考訳（メタデータ） (2025-10-30T08:10:03Z) - 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。