Fugu-MT 論文翻訳(概要): Context-Aware Automated NMR Structure Elucidation

論文の概要: Context-Aware Automated NMR Structure Elucidation

arxiv url: http://arxiv.org/abs/2611.07133v1
Date: Wed, 04 Nov 2026 21:03:04 GMT
ステータス: 翻訳完了
システム内更新日: 2026-11-06 21:50:50.452158
Title: Context-Aware Automated NMR Structure Elucidation
Title（参考訳）: 文脈認識型NMR構造解析
Abstract要約: 人工知能に基づく分光分析パイプラインと文脈化学データを組み合わせたプロトコルを提案する。分子前駆体コンテキストを効果的に活用するために,最近導入したNMR構造解明フレームワークをトレーニングできることが示されている。我々は、有機化学の全元素範囲にまたがる40個の重原子を含む分子について、最高95.4%のTop-15アキュラシーを得る。
参考スコア（独自算出の注目度）: 2.4783465852664324
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Machine learning approaches are rapidly revolutionizing the ability to analyze and extract structural insights from chemical data, enabling high-throughput chemical discovery. While existing data-driven approaches have shown remarkable promise for predicting chemical structures in the de novo setting, incorporating additional chemically informed context offers the opportunity to further improve these models' performance and extend their real-world utility. Here we provide a straightforward protocol to combine artificial-intelligence-based spectroscopic elucidation pipelines with contextual chemical data, e.g., known reactants or a desired product, by using automated retrosynthetic analysis to generate large training sets of molecules and contextual data in the form of synthetic precursors. We demonstrate our approach by showing that our recently introduced NMR structure elucidation framework can be trained to effectively leverage molecular precursor context. We show that when the chemical context provides useful information on the target molecule we obtain dramatically improved accuracy over using NMR spectra alone, obtaining Top-15 accuracies of up to 95.4% for molecules up to 40 heavy atoms spanning the full elemental range of organic chemistry. Furthermore, we demonstrate that our approach is highly robust, such that even when the context provided is uncorrelated with the target, one still obtains accuracies commensurate with those of the original NMR structure elucidation framework. This approach provides an efficient route to improve a wide range of spectroscopic structure elucidation platforms using contextual data.
Abstract（参考訳）: 機械学習のアプローチは、化学データから構造的洞察を分析し、抽出する能力に急速に革命をもたらし、高速な化学発見を可能にしている。既存のデータ駆動アプローチは、de novo設定で化学構造を予測するという驚くべき可能性を示してきたが、追加の化学的に情報を得たコンテキストを取り入れることで、これらのモデルの性能をさらに改善し、実世界の実用性を拡張する機会を提供する。本稿では, 人工インテリジェンスに基づく分光分析パイプラインと文脈化学データ, 既知の反応物質, あるいは所望の製品とを, 自動逆合成分析を用いて組み合わせて, 合成前駆体の形で大量の分子と文脈データを生成する, 簡単なプロトコルを提案する。我々は、分子前駆体コンテキストを効果的に活用するために、最近導入したNMR構造解明フレームワークをトレーニングできることを示し、我々のアプローチを実証する。化学コンテキストが標的分子に関する有用な情報を提供すると、NMRスペクトルのみを用いた場合よりも劇的に精度が向上し、有機化学の全元素範囲にまたがる40個の重原子を含む分子について、トップ15の精度が95.4%に達することが示される。さらに我々は,提案手法が極めて堅牢であることを示し,提案したコンテキストが対象と無関係である場合でも,元のNMR構造解明フレームワークと一致した精度が得られることを示した。このアプローチは、コンテキストデータを用いて幅広い分光構造解明プラットフォームを改善するための効率的な経路を提供する。

関連論文リスト

RxnExBench: Benchmarking Vision-Language Models for Structured Chemical Reaction Extraction from Scientific Literature [49.82189050100978]
RxnExBenchは、微粒な反応レベル評価のためのマルチモーダルベンチマークである。専門家による3,565の反応と2,361の分子構造を含んでいる。化学を意識したマルチモーダル理解の今後の研究を促進するために、すべてのデータとコードを公開します。
論文参考訳（メタデータ） (2026-10-23T06:19:56Z)
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)
DrugR: Optimizing Molecular Drugs through LLM-based Explicit Reasoning [24.70952870676648]
DrugRは、明示的で段階的な薬理学的推論を最適化プロセスに導入する、大きな言語モデルである。提案手法は, ドメイン固有の事前学習, 逆データ工学による微調整, 自己バランス型多粒性強化学習を統合した。実験結果から、Dr.Rは構造的類似性や標的結合親和性を損なうことなく、複数の特性を包括的に拡張できることが示された。
論文参考訳（メタデータ） (2026-02-09T02:26:25Z)
Agentic reinforcement learning empowers next-generation chemical language models for molecular design and synthesis [51.83339196548892]
ChemCraftは、知識ストレージから化学推論を分離する新しいフレームワークである。 ChemCraftは最小の推論コストで優れたパフォーマンスを実現する。この研究は、AI支援化学のコスト効率とプライバシ保護のパラダイムを確立する。
論文参考訳（メタデータ） (2026-01-25T04:23:34Z)
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)
NMR-Solver: Automated Structure Elucidation via Large-Scale Spectral Matching and Physics-Guided Fragment Optimization [24.714189961887215]
核磁気共鳴分光法(英: Nuclear Magnetic Resonance spectroscopy、NMR)は、有機化学において最も強力で広く用いられている分子構造解明法の一つである。本稿では,小さな有機分子構造を1ドルHおよび13ドルCのNMRスペクトルから自動決定するための,実用的で解釈可能なフレームワークであるNMR-rについて述べる。
論文参考訳（メタデータ） (2025-08-30T23:59:12Z)
A Multi-Agent System Enables Versatile Information Extraction from the Chemical Literature [8.306442315850878]
我々は,堅牢かつ自動化された化学情報抽出のためのマルチモーダル大規模言語モデル (MLLM) ベースのマルチエージェントシステムを開発した。文献から得られた高精細なマルチモーダル化学反応画像のベンチマークデータセットにおいて,本システムは80.8%のF1スコアを達成した。
論文参考訳（メタデータ） (2025-07-27T11:16:57Z)
VALID-Mol: a Systematic Framework for Validated LLM-Assisted Molecular Design [0.0]
VALID-Molは、化学検証とLCM駆動分子設計を統合する包括的なフレームワークである。本手法は, 組織的迅速最適化, 自動化学検証, ドメイン適応微調整を合成し, 合成可能な分子の生成を確実にする。
論文参考訳（メタデータ） (2025-06-29T17:17:04Z)
BatGPT-Chem: A Foundation Large Model For Retrosynthesis Prediction [65.93303145891628]
BatGPT-Chemは150億のパラメータを持つ大規模な言語モデルであり、再合成予測の強化に最適化されている。我々のモデルは幅広い化学知識を捉え、反応条件の正確な予測を可能にする。この開発により、化学者は新しい化合物を十分に扱うことができ、医薬品製造と材料科学の革新サイクルを早める可能性がある。
論文参考訳（メタデータ） (2024-08-19T05:17:40Z)

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。