Pushing the limits of one-dimensional NMR spectroscopy for automated structure elucidation using artificial intelligence

Diese Arbeit präsentiert ein auf der Transformer-Architektur basierendes Deep-Learning-Framework, das eine automatisierte De-novo-Strukturaufklärung für organische Moleküle mit bis zu 40 Nicht-Wasserstoff-Atomen unter Verwendung nur eines eindimensionalen $^1$H- und $^{13}$C-NMR-Spektrums erfolgreich erreicht und das Zielmolekül in 60,4 % der Fälle korrekt innerhalb der obersten 15 Vorhersagen identifiziert.

Das Wesentliche

Stellen Sie sich vor, Sie sind ein Detektiv, der versucht, ein Rätsel zu lösen, aber anstatt Fingerabdrücke oder eines Zeugen haben Sie nur ein einziges, verschwommenes Foto des Schattens eines Verdächtigen. Ihr Auftrag ist es, das gesamte Gesicht, den Körper und die Kleidung des Verdächtigen allein aus diesem Schatten zu rekonstruieren.

Dies ist im Wesentlichen das, was Chemiker gegenüberstehen, wenn sie versuchen, die Struktur eines neuen Moleküls allein mithilfe der 1D-NMR-Spektroskopie zu entschlüsseln.

Das unmögliche Rätsel

In der Welt der Chemie ist ein Molekül wie eine komplexe Lego-Struktur. Für ein mittelgroßes Molekül (eines mit etwa 36 bis 40 „schweren“ Atomen wie Kohlenstoff, Stickstoff oder Sauerstoff) gibt es mehr Möglichkeiten, diese Legos zusammenzustecken, als es Sandkörner an allen Stränden der Erde gibt. Die Arbeit schätzt diese Zahl auf zwischen $10^{20}$ und $10^{60}$.

Traditionell galt es als unmöglich, genau zu bestimmen, welche spezifische Lego-Struktur man vor sich hat, wenn man nur einen einfachen 1D-NMR-„Schatten“ (ein Spektrum) zur Verfügung hat. Es ist, als versuche man, die exakte Anordnung von einer Milliarde Lego-Steinen zu erraten, indem man nur auf einen einzigen, flachen Schatten blickt. Normalerweise benötigen Chemiker mehr Hinweise, wie zum Beispiel die 2D-NMR (die eine 3D-Karte liefert) oder das genaue Wissen über die Inhaltsstoffe (die Summenformel), um das Rätsel zu lösen.

Der KI-Detektiv

Die Forscher hinter dieser Arbeit haben einen superschlauen KI-Detektiv gebaut (ein „Transformer“-Modell, dieselbe Art von Technologie, die hinter vielen modernen Chatbots steckt), der in der Lage ist, dieses Rätsel allein anhand des 1D-NMR-Schattens zu lösen.

So haben sie ihn unter Verwendung eines cleveren zweistufigen Prozesses trainiert:

Schritt 1: Die Sprache der Formen lernen (Pre-training)
Bevor die KI die NMR-Schatten betrachten konnte, brachten sie ihr ein anderes Spiel bei. Sie gaben ihr „Morgan-Fingerprints“ – die wie digitale Barcodes funktionieren, die die kleinen Teile (Fragmente) eines Moleküls beschreiben – und baten die KI, die vollständige Lego-Struktur aus diesen Barcodes aufzubauen.

• Die Analogie: Stellen Sie sich vor, man bringt einem Kind bei, ein Haus zu bauen, indem man ihm eine Liste von Bausteinen zeigt (Fenster, Türen, Wände) und es bittet, das Haus zusammenzusetzen.
• Das Ergebnis: Die KI wurde zu einem Meisterbaumeister. Sie konnte aus einer Liste von Fragmenten die vollständige Struktur in 97,8 % der Fälle korrekt rekonstruieren.

Schritt 2: Der echte Test (Spektrum zu Struktur)
Sobald die KI ein Meisterbaumeister war, brachten sie ihr die eigentliche Aufgabe bei: den NMR-„Schatten“ zu betrachten und die Lego-Struktur direkt zu erraten.

• Sie gaben ihr nicht die Liste der Inhaltsstoffe (die Summenformel).
• Sie gaben ihr keine 3D-Karte.
• Sie gaben ihr nur das 1D-NMR-Spektrum.

Die Ergebnisse: Das Unlösbare lösen

Die KI vollbrachte Wunder bei dieser unmöglichen Aufgabe:

• Genauigkeit: Für Moleküle mit einer Länge von bis zu 40 Atomen erriet die KI die korrekte Struktur in etwa 60 % der Fälle innerhalb ihrer Top 15 Vorschläge.
• Der „Schatchen“ vs. die „Karte“: Selbst wenn die KI nicht die exakt richtige Antwort fand, lag sie meistens sehr nah dran. Wenn sie falsch lag, war die vorgeschlagene Struktur oft zu 82 % ähnlich wie das echte Molekül. Es ist, als würde der Detektiv erraten, dass der Verdächtige einen roten Hut trägt statt eines blauen, aber den Rest des Outfits richtig erkennen.
• Ein Auge reicht aus: Überraschenderweise konnte die KI den Großteil dieser Arbeit mit nur dem Wasserstoff (1H) NMR-Spektrum erledigen, ohne die Kohlenstoff (13C) Daten zu benötigen. Sie traf die richtige Antwort in 46,6 % der Fälle in ihren Top 15 Vorschlägen.
• Anpassbarkeit an die reale Welt: Die KI wurde auf Computersimulationen trainiert, aber die Forscher zeigten, dass sie mit nur 50 echten experimentellen Spektren „feingetunt“ werden kann. Selbst mit dieser winzigen Menge an realen Daten sprang die Genauigkeit bei realen Daten von 0 % auf 21,5 %.

Warum das wichtig ist

Stellen Sie sich den chemischen Raum wie eine Bibliothek mit $10^{60}$ Büchern vor. Das gesuchte Buch allein durch das Lesen des Buchcovers (das 1D-NMR-Spektrum) zu finden, galt als unmöglich. Diese KI findet nicht nur das Buch; sie grenzt die Suche auf einen kleinen Stapel von 15 Büchern ein, von denen 6 wahrscheinlich das sind, die Sie suchen.

Die Arbeit kommt zu dem Schluss, dass dieses Werkzeug es Wissenschaftlern ermöglicht, die teuren, zeitaufwendigen Schritte zur Gewinnung komplexerer Daten zu überspringen. Es fungt als leistungsstarker Filter, der die unendlichen Möglichkeiten chemischer Strukturen schnell auf eine handhabbare Anzahl einschränkt – und das alles basierend auf den einfachsten, am häufigsten verfügbaren Daten in einem Chemielabor.

Technische Zusammenfassung

Technische Zusammenfassung: Die Grenzen der eindimensionalen NMR-Spektroskopie für die automatisierte Strukturaufklärung mittels Künstlicher Intelligenz erweitern

Problemstellung
Die eindimensionale (1D) NMR-Spektroskopie ist ein primäres Werkzeug zur Charakterisierung organischer Verbindungen; jedoch gilt die Bestimmung einer vollständigen Molekülstruktur (Formel und Konnektivität) aus alleinigen 1D ¹H- und/oder ¹³C-NMR-Spektren – bekannt als de novo Strukturgenerierung – für Moleküle mit mehr als wenigen Atomen traditionell als unlösbar an. Dies liegt an der kombinatorischen Explosion des chemischen Raums, in dem die Anzahl der möglichen Strukturen für Moleküle mit bis zu 36 Nicht-Wasserstoff-Atomen zwischen $10^{20}$ und $10^{60}$ liegt. Bestehende computergestützte Strukturaufklärungsansätze (CASE) erfordern typischerweise zusätzliche Daten (z. B. 2D-NMR, HR-MS, Molekülformeln) oder verlassen sich auf den Abgleich mit Kandidatenbibliotheken, was ihre Anwendbarkeit auf neuartige Verbindungen oder Situationen, in denen ein solcher Kontext nicht verfügbar ist, einschränkt. Aktuelle Methoden des maschinellen Lernens scheitern oft daran, das gesamte Spektrum-zu-Struktur-Aufgabenfeld ohne Zwischenschritte oder umfangreiche Konditionierungsinformationen zu adressieren.

Methodik
Die Autoren schlagen ein End-to-End-Deep-Learning-Framework basierend auf Transformer-Architekturen vor, um die Aufgaben der Spektrum-zu-Struktur- und Spektrum-zu-Substruktur-Aufklärung unter Verwendung ausschließlich von 1D ¹H- und ¹³C-NMR-Spektren zu lösen, ohne die Molekülformel oder andere Kontextdaten zu benötigen.

1. Pretraining (Substruktur-zu-Struktur): Das Framework nutzt eine Pretraining-Phase, in der ein Transformer-Modell lernt, SMILES-Strings aus Morgan-Fingerprints (binären Vektoren, die molekulare Substrukturen repräsentieren) zu rekonstruieren. Bei dieser Aufgabe wird das Modell auf die Semantik und syntaktische Validität molekularer Repräsentationen konditioniert. Das Modell wurde auf 88 Millionen einzigartigen SMILES-Strings aus PubChem (Stand Februar 2025) trainiert, die bis zu 40 schwere Atome (C, N, O, H, B, P, S, Si, F, Br, Cl, I) enthalten.
2. Multitask-Architektur: Die vortrainierten Gewichte werden übertragen, um den Zweig der Strukturaufklärung eines Multitask-Modells zu initialisieren.
   • Input: Das Modell nimmt 1D ¹H-NMR-Spektren (kodiert über ein Convolutional Neural Network) und ¹³C-NMR-chemische Verschiebungen (eingebettete Repräsentation) entgegen.
   • Verarbeitung: Eine kombinierte latente Repräsentation wird in zwei parallele Zweige eingespeist:
     • Ein Substruktur-Aufklärungszweig (4-lagiger Transformer-Encoder), der die Wahrscheinlichkeit vorhersagt, dass bestimmte molekulare Fragmente vorhanden sind.
     • Ein Struktur-Vorhersagezweig (8-lagiger Encoder-Decoder-Transformer), der den SMILES-String autoregressiv generiert.
3. Trainingsdaten: Das Multitask-Modell wurde auf einem kuratierten Satz von 2 Millionen Molekülen trainiert (aus dem 88-Millionen-Pool ausgewählt, um Diversität zu gewährleisten und Data Leakage zu verhindern) mit vorwärts-simulierten ¹H- und ¹³C-NMR-Spektren, die durch ACD/Labs-Prädiktoren generiert wurden.

Wichtige Ergebnisse

• Substruktur-zu-Struktur-Leistung: Das Pretraining-Modell erreichte eine Top-15-Genauigkeit von 97,8 % bei der Rekonstruktion von SMILES-Strings aus Morgan-Fingerprints für Moleküle mit bis zu 40 schweren Atomen. Selbst für die größten Moleküle (40 schwere Atome) blieb die Genauigkeit hoch (88,8 %), und die fehlerhaften Vorhersagen wiesen eine hohe Tanimoto-Ähnlichkeit (durchschnittliche MTS von 0,82) zum Ziel auf, was darauf hindeutet, dass das Modell auch bei einem Scheitern der exakten Rekonstruktion wesentliche Strukturinformationen wiederherstellt.
• Spektrum-zu-Struktur-Leistung: Das Multitask-Framework erreichte eine Top-15-Strukturgenauigkeit von 60,4 % auf dem Testdatensatz unter Verwendung ausschließlich von ¹H- und ¹³C-NMR-Spektren. Diese Leistung wurde über den gesamten Bereich der Molekülgrößen (10–40 schwere Atome) beibehalten, obwohl der chemische Raum in diesem Bereich um über 30 Größenordnungen wächst.
  • Die Verwendung von nur ¹H-NMR-Spektren führte zu einer Top-15-Genauigkeit von 46,6 %.
  • Die Verwendung von nur ¹³C-NMR-Spektren führte zu einer Top-15-Genauigkeit von 19,4 %.
  • Das Pretraining verbesserte die Top-15-Strukturgenauigkeit im Vergleich zum Training aus zufälliger Initialisierung um 22 Prozentpunkte.
• Elementabdeckung: Das Modell generalisierte erfolgreich auf Elemente jenseits von C, N, O und H, einschließlich P, S, Si, B und Halogenen. Während die Genauigkeit je nach Element variierte (z. B. höher für S, niedriger für P aufgrund der Valenzdiversität), demonstrierte das Modell die Fähigkeit, Strukturen mit seltenen Elementen (z. B. B, I) mit Genauigkeiten von über 20 % vorherzusagen.
• Substruktur-Vorhersage: Das Modell erreichte einen F1-Score von 0,84 für die Substruktur-Vorhersage. Die Vorhersagen waren hochkonfident, wobei 98,1 % der Wahrscheinlichkeiten außerhalb des Bereichs von 0,1–0,9 lagen.
• Experimentelle Validierung: Wenn das Modell auf einem kleinen Satz von 50 experimentellen Spektren aus der BMRB feinjustiert wurde, erreichte es eine Top-15-Strukturgenauigkeit von 21,5 % auf experimentellen Testdaten, was eine signifikante Verbesserung gegenüber einer Zero-Shot-Genauigkeit von 0,0 % darstellt, während es seine Leistung auf simulierten Daten beibehielt.
• Kandidatengenerierung: In Fällen, in denen die exakte Struktur nicht vorhergesagt wurde, war die beste falsche Vorhersage des Modells oft näher am Zielmolekül als jedes Molekül, das im 85-Millionen-Moleküle-PubChem-Trainingsdatensatz gefunden wurde (Top-1-Position in 3-2,2 % der Fälle bei 40-Schweren-Atom-Systemen).

Bedeutung und Ansprüche
Das Paper behauptet, dass dieses Framework die kombinatorische Skalierung des chemischen Raums überwindet, um eine automatisierte de novo Strukturgenerierung unter Verwendung ausschließlich routinemäßiger 1D-NMR-Daten zu ermöglichen. Durch die Nutzung von Erkenntnissen aus der natürlichen Sprachverarbeitung und Transformer-Architekturen zeigen die Autoren, dass es möglich ist, das korrekte Molekül mit einer Genauigkeit von 60,4 % innerhalb der ersten 15 Vorhersagen für Systeme mit bis zu 40 schweren Atomen vorherzusagen.

Die Autoren positionieren diese Arbeit als einen grundlegenden Schritt hin zu einer vollständig automatisierten Strukturaufklärung. Sie argumentieren, dass das Framework:

1. Den Engpass beseitigt, der die Anforderung komplexer 2D-NMR oder Molekülformeln für die initiale Strukturgenerierung mit sich bringt.
2. Eine recheneffiziente Alternative zur Brute-Force-Suche oder iterativen genetischen Algorithmen bietet.
3. Eine „Foundational Model“-Kapazität bietet, bei der das Pretraining auf großen Datensätzen eine effektive Feinabstimmung auf kleinen experimentellen Datensätzen ermöglicht.
4. Hochwertige Kandidatenmoleküle generiert, die den chemischen Suchraum einschränken können, selbst wenn die exakte Struktur nicht sofort identifiziert wird, was potenziell als Startpunkt (Seed) für umfassendere suchbasierte Methoden oder CASE-Tools dienen kann.

Die Autoren räumen verbleibende Herausforderungen ein, einschließlich der Stereochemie-Bestimmung und der Lücke zwischen simulierten und experimentellen Daten, behaupten jedoch, dass ihr Ansatz eine robuste Grundlage für die Skalierung der automatisierten Aufklärung über den strukturähnlichen chemischen Raum hinweg bietet.