基于图神经网络从稀疏 NMR 数据预测分子结构的概念验证

《Digital Discovery》：Predicting molecular structure from sparse NMR data, proof-of-concept using a graph neural networkOpen Access

　　

我们证明了基于图的神经网络能够直接从实验可测量的核磁共振（NMR）光谱特性中推断有机分子的分子结构。对于溶液状态下的分子而言，这样的系统是化学科学研究人员梦寐以求的目标。我们的基于图的变换器神经网络架构基于对IMPRESSION-G2的改进（该模型根据输入的分子结构输出预测的NMR特性），改为直接从输入的NMR特性中一次性输出预测的分子结构。研究表明，包含标量（J）耦合的NMR特征对于这种方法至关重要：当包含所有理论J值时，可以正确分配约99.9%的键，并一次性正确预测超过95%的分子（即“Everything”模型）。当NMR数据仅限于实验可获得的1H和13C NMR参数时（即“Experimentally reasonable”模型），成功率大幅下降到约10%。通过结合多次预测和置信度指标，以及对杂原子键合结构的系统搜索，可以将成功率提高到80.4%（针对含有少于2个氮原子和少于2个氧原子的分子），而在整个测试集中这一比例为32.6%。这一概念验证展示了使用图神经网络将光谱特性直接映射到分子结构特性上的潜力，并强调了在这种方法中光谱数据的稀疏性和杂原子简并性的关键影响。

该内容仅可通过PDF格式获取。

打开 PDF：使用图神经网络从稀疏NMR数据预测分子结构的概念验证，可在另一个窗口中查看

? 2026 作者。由英国皇家化学学会出版

2026

作者

本文采用知识共享署名4.0未本地化许可进行许可。您可以在其他出版物中使用本文的内容，而无需另行向RSC请求许可，但必须正确署名。

本作品采用 知识共享署名4.0国际许可 进行许可。