مقاله شناسایی مولکولی و تعیین پیک: استفاده از تراز چند وجهی چند سطحی در NMR

چکیده

Nuclear magnetic resonance (NMR) spectroscopy plays an essential role across various scientific disciplines, providing valuable insights into molecular dynamics and interactions. Despite the promise of AI-enhanced NMR prediction models, challenges persist in the interpretation of spectra for tasks such as molecular retrieval, isomer recognition, and peak assignment. In response, this paper introduces Multi-Level Multimodal Alignment with Knowledge-Guided Instance-Wise Discrimination (K-M3AID) to establish meaningful correspondences between two heterogeneous modalities: molecular graphs (structures) and NMR spectra. In particular, K-M3AID employs a dual-coordinated contrastive learning architecture, and incorporates a graph-level alignment module, a node-level alignment module, and a communication channel. Notably, the framework introduces knowledge-guided instance-wise discrimination into contrastive learning within the node-level alignment module, significantly enhancing accuracy in cross-modal alignment. Additionally, K-M3AID showcases its capability of meta-learning by demonstrating that skills acquired during node-level alignment positively impact graph-level alignment. Empirical validation underscores K-M3AID’s effectiveness in addressing multiple zero-shot tasks, offering a promising solution to bridge the gap between structural information and spectral data in complex NMR scenarios.

چکیده به فارسی (ترجمه ماشینی)

طیف سنجی رزونانس مغناطیسی هسته ای (NMR) نقش اساسی را در رشته های مختلف علمی ایفا می کند و بینش ارزشمندی در مورد پویایی مولکولی و تعامل ارائه می دهد.علیرغم وعده مدلهای پیش بینی NMR پیشرفته ، چالش ها در تفسیر طیف هایی برای کارهایی مانند بازیابی مولکولی ، تشخیص ایزومر و تکالیف اوج همچنان ادامه دارد.در پاسخ ، این مقاله تراز چند سطحی چند سطحی با تبعیض مثال به عنوان دانش با هدایت دانش (K-M3AID) برای ایجاد مکاتبات معنی دار بین دو روش ناهمگن: نمودارهای مولکولی (ساختارها) و طیف NMR ارائه می دهد.به طور خاص ، K-M3AID از یک معماری یادگیری متضاد هماهنگ دوگانه استفاده می کند و یک ماژول تراز سطح گراف ، یک ماژول تراز سطح گره و یک کانال ارتباطی را در خود جای می دهد.نکته قابل توجه ، این چارچوب تبعیض مثال به عنوان دانش را به یادگیری متضاد در ماژول تراز سطح گره معرفی می کند ، که باعث افزایش چشمگیر در تراز متقابل می شود.علاوه بر این ، K-M3AID با نشان دادن اینكه مهارتهای بدست آمده در طول تراز سطح گره به طور مثبت بر تراز سطح گراف تأثیر می گذارد ، توانایی یادگیری متا را نشان می دهد.اعتبار سنجی تجربی تأکید می کند که اثربخشی K-M3AID در پرداختن به چندین کار صفر شات ، ارائه یک راه حل امیدوارکننده برای ایجاد شکاف بین اطلاعات ساختاری و داده های طیفی در سناریوهای پیچیده NMR.