《Chemical Science》：Vib2Mol: from vibrational spectra to molecular structures—a unified deep learning frameworkOpen Access
编辑推荐：
在化学和生物学研究中，由自主、闭环、实时自导向决策实验所驱动的范式转变即将到来。谱图-结构关联（spectrum-to-structure correlation），即利用光谱信息阐明分子结构，是理解实验结果并闭合回路的核心步骤。近期方法试图将检索（ret
在化学和生物学研究中，由自主、闭环、实时自导向决策实验所驱动的范式转变即将到来。谱图-结构关联（spectrum-to-structure correlation），即利用光谱信息阐明分子结构，是理解实验结果并闭合回路的核心步骤。近期方法试图将检索（retrieval）与生成（generation）相结合以提高光谱注释的准确性。然而，这些方法通常依赖固定工作流，无法适应谱图-结构分析中更广泛、更多样的需求，且研究人员所提供的多种先验知识在很大程度上未被充分利用。在本研究中，研究人员提出了Vib2Mol，一个统一的深度学习框架，旨在根据可用的先验知识灵活处理多种谱图-结构任务。Vib2Mol不仅在多个公认基准上分析理论和实验红外光谱与拉曼光谱时达到了最先进性能，还在从混合光谱中阐明反应产物以及从实验光谱中对肽段进行测序方面展示了令人期待的能力。这些结果凸显了振动光谱学作为自主科学发现强大指导工具的潜力。
## 论文解读
### 研究背景与问题
随着自动化实验设计与执行技术的快速发展，以闭环工作流无人工干预地探索潜在化学反应和研究复杂生物过程已成为可能，这极大地加速了材料设计与药物发现。闭环工作流自动化的关键在于基于先验知识设计和执行下一步实验，然而缺乏定量决策评估标准使这一步骤尤为困难。振动光谱凭借其原位实时监测能力，可在每一步提供分子直接结构信息，为评估和指导后续决策提供可操作的反馈，从而成为弥合这一缺口的关键技术。因此，迫切需要发展从光谱数据阐明分子结构的高效方法，即建立稳健的谱图-结构关联。
深度学习已成为处理该问题的主流范式，其谱图-结构任务大致可分为依赖数据库的检索和与数据库无关的生成两类。检索对数据库内分子识别高效可靠，而生成则对数据库外分子光谱解析不可或缺。近期虽有研究如SMEN和TranSpec尝试统一这两种范式，但仍存在两个关键问题：其一，研究人员在光谱注释时可用的先验知识因情况而异，从无约束到已知化学式、候选库乃至部分分子骨架，理想框架应能够根据可用信息提供定制化解决方案，而现有方法通常依赖固定推理流程，缺乏这种灵活性；其二，先前研究多仅在理想化基准上展示能力，而实际化学反应或生物过程中光谱注释更为棘手——反应光谱常为目标产物、反应物和杂质的混合物，生物大分子的结构也远比典型有机小分子复杂，基于深度学习的谱图-结构框架能否扩展到这些场景尚待探索。
### 研究内容与结论
针对上述挑战，研究人员提出了Vib2Mol，一个统一的基于深度学习的振动光谱到分子结构框架，可灵活适应每次查询可用的先验知识。Vib2Mol基于编码器-解码器Transformer架构，通过包含对齐和生成阶段的多阶段训练方案进行训练，并在各阶段实现最大参数共享和特征复用。在推理时，Vib2Mol不受固定流水线限制，可根据是否存在候选库、化学式或部分分子骨架，选择性地执行光谱-光谱检索、光谱-结构检索、条件生成或从头生成。在理论和实验的多个基准上，Vib2Mol均取得最先进的性能。更重要的是，它将谱图-结构分析扩展至更具挑战性的场景，包括从混合光谱中解析反应产物以及从实验光谱中对肽段进行测序。这些结果使Vib2Mol成为迈向动态化学转化和生物过程原位智能分析以及自主实验闭环的重要一步。
### 关键技术方法
研究人员构建了Vib2Mol统一框架，其技术核心包括：采用多阶段训练（MPT）策略，分为对齐阶段和生成阶段；对齐阶段采用对比学习（CL）将光谱与结构嵌入在潜在空间中对齐，并引入难负样本匹配损失以增强区分细微差异的能力；生成阶段联合支持基于掩码语言建模（MLM）的条件生成和基于自回归语言建模（LM）的从头生成，化学式作为可选输入；推理阶段使用对齐阶段训练得到的匹配模块对检索和生成候选进行重排。此外，研究采用掩码模态建模（MMM）实现红外和拉曼光谱多模态统一输入，并利用数据增强、束搜索和化学式过滤优化生成性能。基准数据集包括三个理论数据集QM9S、VB-Mols、VB-GEOM和两个实验数据集SDBS、NIST-IR，分别提供662,668个理论和17,774个实验光谱。此外，研究人员从PubChem构建了包含80,368,968个独特分子的候选池用于大规模检索评估，并从第二届世界AI4S奖物理科学赛道和RXNGraphormer提取了约15,000个化学反应用于混合光谱分析，同时构建了肽段实验拉曼光谱数据集（含20种氨基酸、14种二肽、13种三肽和2种四肽）和用于翻译后修饰（PTM）位点识别的肽段修饰数据集。
### 研究结果
**Vib2Mol实现统一框架。** 研究人员设计的多阶段训练策略统一了四种谱图-结构任务。对齐阶段通过对比学习将同一分子的光谱和结构特征在潜在空间中拉近，不同分子推开，并利用难负样本匹配损失引导模型学习细微差别。生成阶段通过掩码语言建模支持条件生成，通过顺序掩码的自回归语言建模支持从头生成。所有任务共享编码器和解码器参数，减少了活跃参数量。重排模块先按化学式过滤候选，再由分子编码器综合打分，选出高匹配度结果。
**Vib2Mol达到最先进性能。** 在QM9S和VB-Mols两个计算基准上，Vib2Mol的检索性能与SMEN、VibraCLIP相当，但在分子生成上显著优于PBSA、IR2Mol和TranSpec。以QM9S为例，无化学式信息时，Vib2Mol在拉曼光谱结构推断上达到89.0%的Recall@1，而TranSpec为83.3%。在VB-GEOM光谱-光谱检索上，Vib2Mol取得拉曼77.54%和红外75.33%的最佳成绩，显著超过VibraCLIP（拉曼75.22%、红外70.16%）。在SDBS和NIST-IR实验基准上，Vib2Mol在检索和生成任务均表现出明显优势，检索Recall@1分别达到NIST-IR 83.54%、SDBS-IR 86.17%、SDBS-Raman 90.43%，无化学式生成Recall@1为34.07%，加入化学式后提升至55.14%。研究还发现理论-实验性能差距主要源于实验数据一致性和完整性不足以及实验域数据稀缺。
**统一多模态建模和大规模检索。** 通过掩码模态建模，Vib2Mol-MM可在单一模型中智能处理拉曼单独、红外单独或联合输入，且联合输入性能最优，拉曼单独推理等于或优于红外，说明红外和拉曼光谱编码了不同且互补的结构信息。在大规模检索中，随着负样本从数千扩展到数百万，Recall@1从83.69%降至30.60%，但考虑80,368,968个候选的随机概率仅约1.24×10??，这一结果仍展示了Vib2Mol在极密集化学空间中的强大判别力。
**模块优化与协同集成。** 消融实验显示，对比学习模型单独检索Recall@1为88.46%，加入匹配损失提升至89.57%，加入化学式过滤提升至91.20%，最终重排达到94.66%（有化学式）和93.20%（无化学式）。对于从头生成，SMILES数据增强将Recall@1从60.02%提升至76.08%，多阶段训练和掩码语言建模损失各自贡献小幅提升，加入化学式后提升至81.93%，最终重排达到86.74%（有化学式）和82.59%（无化学式），验证了各模块的协同增效作用。
**Vib2Mol捕捉的谱图-结构关联。** 训练前光谱-结构嵌入余弦相似度集中在-0.023附近，训练后显著增至0.86，证明光谱与结构表示的有效对齐。分析失败案例发现，约56%的错误生成分子和47%的错误检索分子与目标分子的Tanimoto相似度大于0.5，说明即使输出错误也保持了结构相似性。在所有15个常见官能团子类中，Vib2Mol的检索加权平均Recall@1为90.75%，生成的全部测试集Recall@1为86.74%，仅评价官能团准确性时加权平均F1分数高达97.87%。
**化学反应产物解析。** 在多环芳烃（PAHs）取代反应产物预测中，光谱-结构检索对苯、萘和蒽的Recall@1分别为100.00%、99.75%和99.57%；条件生成预测未知取代基的加权平均Recall@1为98.95%；从头生成预测完全未知结构的加权平均Recall@1为91.39%。在混合光谱分析中，Vib2Mol在未混合测试集上检索和生成Recall@1为98.11%和55.84%，但在混合光谱上降至74.29%和36.81%。经产率加权混合光谱训练后的Vib2Mol-RXN在保持未混合光谱性能的同时，将混合光谱测试集提升至检索97.51%和生成56.64%，证明产率加权混合光谱训练显著增强了对混合拉曼光谱的注释能力。
**肽段测序与PTM鉴定。** 将肽段表示从SMILES改为残基序列后，检索Recall@1从62.97%提升至70.33%，生成从50.07%提升至51.49%。随肽段长度增加，性能逐渐下降，但四肽的检索和生成Recall@1仍可达68.03%和48.18%。在PTM位点识别中，条件生成对硫酸化、磷酸化和未修饰三类位点分类准确率为74.43%，数据库内肽段检索Recall@1为65.23%，数据库外肽段从头测序Recall@1为33.33%。在自制实验肽段拉曼光谱数据集上，5折交叉验证的检索平均Recall@1为72.00%，随肽段长度增加而提升；从头生成平均Recall@1为13.34%，随长度增加而下降，反映了模拟与实验数据之间的显著差距以及实验标签数据的极度稀缺。
### 讨论与结论总结
讨论部分指出，Vib2Mol的成功源于统一框架设计更好地建立了光谱与分子结构的关联。作为概念验证，Vib2Mol展示了在真实化学约束下利用理论拉曼光谱进行肽段从头测序和PTM位点识别的可行性，对生物医学、免疫学和药物开发具有潜在应用前景。对实验肽段拉曼光谱的基准测试提供了Vib2Mol在真实生物场景中检索能力的经验证据，尽管从头生成在复杂实验样本上仍是前沿挑战。研究还指出了未来方向：需要引入立体化学感知表示以区分立体异构体和构象异构体；需要更大更一致的实验数据集和更真实的模拟光谱以缩小理论-实验差距；基于图或三维感知的表示可扩展至聚合物和矿物等非分子体系；双向生成模块可支持可逆的谱图-结构与结构-谱图预测。
研究结论如下：本研究提出了Vib2Mol，一个统一的振动光谱到结构分析框架，可灵活适应不同水平的先验知识和化学约束。它在理论红外和拉曼光谱分析中达到最先进性能，并在实验数据上超越或匹配以往模型。在化学反应数据集上，Vib2Mol以97.51%和56.64%的Recall@1分别完成检索和从头生成任务；在理论从头肽段测序中取得51.49%的Recall@1，并达到74.43%的磷酸化和硫酸化位点定位准确率。这些概念验证表明，拉曼光谱可在适当的化学约束下作为肽段水平和PTM相关分子推断的正交振动读数，并展示了利用振动光谱原位监测动态化学反应和生命过程的潜力，尤其是在反应途径、中间体或产物无法预先定义的探索性自动化实验环境中。
