論文の概要: Multimodal deep learning from spectra for small-molecule structure identification: enhancing robustness with mixed-condition training
- arxiv url: http://arxiv.org/abs/2609.14360v1
- Date: Sun, 13 Sep 2026 07:39:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 12:40:38.827353
- Title: Multimodal deep learning from spectra for small-molecule structure identification: enhancing robustness with mixed-condition training
- Title（参考訳）: 微小分子構造同定のためのスペクトルからのマルチモーダル深層学習--混合条件学習による堅牢性向上
- Abstract要約: 我々は、スペクトルと化学からのドメイン知識を、候補構造の再評価のための混合条件訓練に取り入れる。
このプロトコルは、それぞれの分光モードに合わせて調整された摂動と、スペクトルの可利用性、品質、一貫性の変動をカバーするために化学的に誘導されたスペクトル置換を含んでいる。
- 参考スコア（独自算出の注目度）: 11.492759216075974
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In practical molecular characterization, small-molecule structure identification benefits from complementary spectroscopic evidence, but missing, degraded, or mismatched spectra challenge multimodal models. Herein, we incorporate domain knowledge from spectroscopy and chemistry into mixed-condition training for candidate structure reranking, using a reproducible evaluation protocol and mixture-of-experts (MoE) fusion. The protocol incorporates perturbations tailored to each spectroscopic modality and chemically informed spectrum replacements to cover variations in spectral availability, quality, and consistency. A total of 79,462 test samples were evaluated across 30 predefined conditions using simulated spectra from the Multimodal Spectroscopic Dataset (MSSD) for mass spectrometry (MS), infrared (IR) spectroscopy, and 1H and 13C nuclear magnetic resonance (NMR), with up to 128 hard candidate structures per sample. A controlled two-by-two factorial comparison of complete-input training versus mixed-condition training and vanilla concatenation versus MoE fusion, with matched evaluation conditions, showed that mixed-condition training provided the main gains in both architectures. For MoE, mean reciprocal rank (MRR), averaged equally across conditions, increased from 0.9203 to 0.9763, a relative increase of 6.08%. Recall at rank 1 (R@1), averaged over the same conditions, increased from 89.50% to 96.36%, an increase of 6.86 percentage points and a relative increase of 7.67%. IR-only and MS/MS-only MRR increased from 0.4337 to 0.9307 and from 0.3711 to 0.8575, reaching 2.15 and 2.31 times their respective baseline values, while complete-input performance remained high. These results support integrating domain knowledge into training-condition design to improve robustness, with further gains from MoE under mixed-condition training.
- Abstract（参考訳）: 実用的な分子的特徴として、小さな分子構造同定は、相補的な分光学的証拠から恩恵を受けるが、欠如、劣化、あるいはミスマッチしたスペクトルのマルチモーダルモデルから恩恵を受ける。
そこで本研究では、再現性評価プロトコルとMoE(mixed-of-experts)融合を用いて、スペクトルと化学からのドメイン知識を混合条件トレーニングに組み込む。
このプロトコルは、それぞれの分光モードに合わせて調整された摂動と、スペクトルの可利用性、品質、一貫性の変動をカバーするために化学的に誘導されたスペクトル置換を含んでいる。
MSSD(Multimodal Spectroscopic Dataset)による質量分析(MS)、赤外線(IR)分光、核磁気共鳴(NMR)1Hおよび13C核磁気共鳴(NMR)のシミュレーションスペクトルを用いて、30の事前定義された条件で79,462個の試料を評価した。
完全インプットトレーニングと混合条件トレーニング,バニラ連成とMoE融合を比較検討した結果,混合条件トレーニングが両アーキテクチャの主要な利点となった。
MoEでは平均相反位(MRR)が0.9203から0.9763に増加し、相対的に6.08%増加した。
ランク1でのリコール(R@1)は、同じ条件で平均89.50%から96.36%に増加し、6.86ポイント、相対的に7.67%に増加した。
IRのみのMRRとMS/MSのみのMRRは0.4337から0.9307に増加し、0.3711から0.8575に増加した。
これらの結果は、ドメイン知識をトレーニング条件設計に統合し、堅牢性を向上させることをサポートし、混合条件トレーニングではMoEからさらに向上する。
関連論文リスト
- CORE: Improving Compositional Reasoning in MLLM Embedding via Reranker Distillation [49.0564416580726]
我々は,クロスアテンティブ・リランカの組成判断を埋め込みモデルに蒸留する。
我々は,CORE-RERANKER-8Bが平均82.7%を達成し,Janna-Rerankerを10.7ポイント上回ったことを示す。
改良はCOCOとFlickr30Kでの検索性能を犠牲にすることなくMCMRベンチマークに転送される。
論文 参考訳（メタデータ） (2026-09-03T16:50:29Z) - 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) - 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) - FRIGID: Scaling Diffusion-Based Molecular Generation from Mass Spectra at Training and Inference Time [52.735012862324766]
本稿では,質量スペクトルに条件付き構造を生成する新しい拡散言語モデルを用いたフレームワークFRIGIDを提案する。
スペクトル非一貫性フラグメントを同定することにより、前方フラグメンテーションモデルが推論時間スケーリングを実現する方法を示す。
さらなる実証分析により、FRIGIDは推論時間の増大を伴う対数線形性能のスケーリングを示すことが示された。
論文 参考訳（メタデータ） (2026-04-17T19:11:18Z) - Spectral Coherence Index: A Model-Free Metric for Protein Structural Ensemble Quality Assessment [27.622823036293525]
モデルフリーで回転不変な要約であるスペクトルコヒーレンス指数(SCI)を評価した。
SCIは異種タンパク質アンサンブルのためのマルチメトリックQCワークフローに組み込む際に最も有用である。
論文 参考訳（メタデータ） (2026-03-26T20:09:41Z) - From Static Spectra to Operando Infrared Dynamics: Physics Informed Flow Modeling and a Benchmark [67.29937933325849]
Operando IR Predictionは、1つの静的スペクトルからスペクトル指紋の時間分解進化を予測することを目的としている。
OpIRSpec-7Kは、10の異なるバッテリーシステムにわたる7,118の高品質なサンプルで構成されている。
ABCCは最先端の静的、シーケンシャル、および生成的ベースラインを著しく上回る。
論文 参考訳（メタデータ） (2026-02-20T18:58:43Z) - NMRTrans: Structure Elucidation from Experimental NMR Spectra via Set Transformers [41.6373573055135]
我々は化学文献から抽出した実験的な1ドルHと13ドルCのスペクトルの大規模コーパスであるNMRSpecを構築した。
NMRTransは、スペクトルを無秩序なピークセットとしてモデル化し、モデルの帰納バイアスとNMRの物理的性質を一致させる。
論文 参考訳（メタデータ） (2026-02-10T03:37:41Z) - 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) - TransPeakNet: Solvent-Aware 2D NMR Prediction via Multi-Task Pre-Training and Unsupervised Learning [5.7279868722119325]
2次元NMRにおけるクロスピーク予測のための教師なしトレーニングフレームワークを提案する。
このアプローチでは、1Hと13Cシフトの注釈付き1Dデータセット上でMLモデルを事前トレーニングし、教師なしの方法で微調整する。
479名のエキスパートアノテートHSQCスペクトルの評価は,従来の手法よりもモデルの方が優れていることを示す。
論文 参考訳（メタデータ） (2024-03-17T21:52:51Z) - AdaNovo: Adaptive \emph{De Novo} Peptide Sequencing with Conditional Mutual Information [46.23980841020632]
本稿では,各アミノ酸/ペプチド間の条件付き相互情報(CMI)を計算する新しいフレームワークであるAdaNovoを提案する。
AdaNovoは翻訳後修飾(PTM)によるアミノ酸の同定に優れ、データノイズに対する堅牢性を示す。
論文 参考訳（メタデータ） (2024-03-09T11:54:58Z) - A Multisensor Hyperspectral Benchmark Dataset For Unmixing of Intimate
Mixtures [3.0314808581426846]
鉱物微粉末を包括的に混合した地中真実データセットを作成した。
13種類の高スペクトルセンサがこれらの混合物の反射スペクトルを取得するために用いられている。
これらのデータは, 非線形アンミックス法および材料組成推定のための高度な手法の検証に有用であると考えている。
論文 参考訳（メタデータ） (2023-08-30T11:48:36Z)
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。