ترجمه فارسی مقاله شفاف سازی دقیق و کارآمد ساختار از طیف های معمولی یک بعدی NMR با استفاده از یادگیری ماشین چند وظیفه ای

چکیده

Rapid determination of molecular structures can greatly accelerate workflows across many chemical disciplines. However, elucidating structure using only one-dimensional (1D) NMR spectra, the most readily accessible data, remains an extremely challenging problem because of the combinatorial explosion of the number of possible molecules as the number of constituent atoms is increased. Here, we introduce a multitask machine learning framework that predicts the molecular structure (formula and connectivity) of an unknown compound solely based on its 1D 1H and/or 13C NMR spectra. First, we show how a transformer architecture can be constructed to efficiently solve the task, traditionally performed by chemists, of assembling large numbers of molecular fragments into molecular structures. Integrating this capability with a convolutional neural network (CNN), we build an end-to-end model for predicting structure from spectra that is fast and accurate. We demonstrate the effectiveness of this framework on molecules with up to 19 heavy (non-hydrogen) atoms, a size for which there are trillions of possible structures. Without relying on any prior chemical knowledge such as the molecular formula, we show that our approach predicts the exact molecule 69.6% of the time within the first 15 predictions, reducing the search space by up to 11 orders of magnitude.

چکیده به فارسی (ترجمه ماشینی)

تعیین سریع ساختارهای مولکولی می تواند جریان کار را در بسیاری از رشته های شیمیایی تسریع کند.با این حال ، ساختار روشن با استفاده از تنها طیف NMR یک بعدی (1D) NMR ، به راحتی در دسترس ، به دلیل انفجار ترکیبی تعداد مولکولهای ممکن ، یک مشکل بسیار چالش برانگیز است زیرا تعداد اتم های تشکیل دهنده افزایش می یابد.در اینجا ، ما یک چارچوب یادگیری ماشین چند وظیفه ای را معرفی می کنیم که ساختار مولکولی (فرمول و اتصال) یک ترکیب ناشناخته را صرفاً بر اساس طیف 1D 1H و/یا 13C NMR آن پیش بینی می کند.اول ، ما نشان می دهیم که چگونه می توان یک معماری ترانسفورماتور را برای حل کارآمد کار ، که به طور سنتی توسط شیمیدانان انجام می شود ، از جمع آوری تعداد زیادی از قطعات مولکولی در ساختارهای مولکولی ساخت.با ادغام این توانایی با یک شبکه عصبی حلقوی (CNN) ، ما یک مدل پایان به پایان برای پیش بینی ساختار از طیف هایی که سریع و دقیق است ، می سازیم.ما اثربخشی این چارچوب را بر روی مولکول ها با حداکثر 19 اتم سنگین (غیر هیدروژن) نشان می دهیم ، اندازه ای که برای آن تریلیون های ساختارهای احتمالی وجود دارد.بدون تکیه بر دانش شیمیایی قبلی مانند فرمول مولکولی ، ما نشان می دهیم که رویکرد ما مولکول دقیق 69.6 ٪ از زمان را در 15 پیش بینی اول پیش بینی می کند و فضای جستجو را تا 11 مرتبه کاهش می دهد.