論文の概要: Towards Reasonable Molecular Structure Elucidation from Infrared Spectroscopy with Chemical Feedback
- arxiv url: http://arxiv.org/abs/2608.16082v1
- Date: Mon, 17 Aug 2026 04:26:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.523224
- Title: Towards Reasonable Molecular Structure Elucidation from Infrared Spectroscopy with Chemical Feedback
- Title（参考訳）: 化学フィードバックを用いた赤外分光法による分子構造解明に向けて
- Abstract要約: そこで本研究では,分子構造解明のための汎用的,プラグアンドプレイな化学フィードバック駆動の選好最適化フレームワークを提案する。
FIRMPOは、正確な分子式マッチングとIRスペクトル一貫性に基づいて、化学フィードバックを選好信号として組み込んで、合理的な構造予測を導く。
広範に使用されている3つのIRデータセットの実験により、FIRMPOは既存のベースラインよりも分子構造解明の精度を大幅に向上することが示された。
- 参考スコア（独自算出の注目度）: 6.16461455248325
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Infrared (IR) spectra provide characteristic signals of molecular structure, which are often interpreted by experts via functional-group identification or library matching, making the process time-consuming and ambiguous. Recent machine learning methods have made progress in molecular structure elucidation using molecular formulas and IR spectra. However, these models often infer unreasonable candidate molecular structures, including top-ranked predictions. More specifically, the molecular formula implied by a candidate structure often fails to match the input molecular formula, and the candidate's theoretical IR spectrum is often inconsistent with the observed IR spectrum. To address these issues, we propose Formula- and IR-Matched Preference Optimization (FIRMPO), a general and plug-and-play chemical feedback-driven preference optimization framework for molecular structure elucidation. FIRMPO incorporates chemical feedback as preference signals based on exact molecular formula matching and IR spectral consistency to guide reasonable structure predictions. Unlike generic preference optimization methods, FIRMPO is tailored to molecular structure elucidation while remaining model-agnostic, enabling it to be readily integrated with different structure prediction models in this class. This encourages models to prioritize structures that satisfy the chemical feedback, leading to a substantial improvement in the accuracy of top-ranked predictions. Extensive experiments on three widely used IR datasets show that FIRMPO significantly improves molecular structure elucidation accuracy over existing baselines.
- Abstract（参考訳）: 赤外線(IR)スペクトルは分子構造の特徴的なシグナルであり、しばしば機能的グループ同定やライブラリマッチングによって専門家によって解釈される。
近年の機械学習手法は分子式とIRスペクトルを用いた分子構造解明に進歩している。
しかし、これらのモデルはしばしばトップランクの予測を含む不合理な分子構造を推測する。
より具体的には、候補構造によって示される分子式は入力された分子式と一致しないことが多く、候補のIRスペクトルは観測されたIRスペクトルと矛盾することが多い。
これらの問題に対処するため、分子構造解明のための汎用的かつプラグアンドプレイな化学フィードバック駆動の選好最適化フレームワークであるフォーミュラとIRマッチング選好最適化(FIRMPO)を提案する。
FIRMPOは、正確な分子式マッチングとIRスペクトル一貫性に基づいて、化学フィードバックを選好信号として組み込んで、合理的な構造予測を導く。
一般的な選好最適化法とは異なり、FIRMPOはモデルに依存しないまま分子構造解明に適合し、このクラスの異なる構造予測モデルと容易に統合できる。
これにより、モデルが化学的なフィードバックを満たす構造を優先順位付けすることを奨励し、トップランクの予測の精度を大幅に改善する。
広範に使用されている3つのIRデータセットの大規模な実験により、FIRMPOは既存のベースラインよりも分子構造解明の精度を大幅に向上することが示された。
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) - 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) - 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) - 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) - 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) - Infrared Spectra Prediction for Diazo Groups Utilizing a Machine
Learning Approach with Structural Attention Mechanism [0.0]
赤外分光法は、分子構造や力学を振動や回転の遷移を通じて解明する化学研究において重要な技術である。
本稿では、特にジアゾ化合物の赤外スペクトルの予測と解釈を強化するために、構造的注意機構を用いた機械学習手法を提案する。
論文 参考訳（メタデータ） (2024-02-05T15:44:43Z) - 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)
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。