Towards practical molecular structure elucidation: A lightweight multi-spectral CNN-Transformer framework

Chemiker verlassen sich seit langem auf eine Reihe von Werkzeugen, um herauszufinden, wie ein Molekül aussieht, indem sie einfach darauf hören, wie es vibriert oder wie seine Atome auf Magnetfelder reagieren. Diese Werkzeuge, bekannt als Spektroskopie, erzeugen komplexe Muster aus Linien und Peaks, die als einzigartiger Fingerabdruck für jede chemische Substanz dienen. Seit Jahrzehnten versuchen Wissenschaftler, Computern beizubringen, diese Fingerabdrücke zu lesen und die entsprechende Molekülstruktur sofort zu zeichnen – ein Prozess, der als Strukturaufklärung bezeichnet wird. Während frühe Versuche massenhaft menschliche Hilfe und zusätzliche Daten erforderten, war das Ziel stets, ein System zu schaffen, das ein rohes Spektrum betrachten und schlichtweg die Form des Moleküls benennen kann, ganz so wie ein menschlicher Experte, jedoch mit perfekter Geschwindigkeit und Konsistenz.

Ein Forscherteam hat nun ein neues Arten von Computerprogramm entwickelt, das diesem Ziel näher kommt als je zuvor, indem es eine Methode nutzt, die fast ohne externe Hilfe auskommt. Anstatt den Computer mit einer Liste möglicher Antworten zu füttern oder zusätzliche chemische Fakten zur Orientierung hinzuzufügen, ließ die Forschergruppe die Maschine direkt auf die Rohdaten aus drei verschiedenen Arten der Spektroskopie blicken: Infrarotlicht, Raman-Licht und Kernspinresonanz. Sie entwarfen ein leichtgewichtiges System, das zwei leistungsstarke Arten der künstlichen Intelligenz kombiniert. Der erste Teil fungiert wie ein Filter, der die rohen Linien des Spektrums scannt, um wichtige Muster zu finden. Der zweite Teil fungt als Übersetzer, der diese Muster nimmt und sie als Textzeichenfolge ausschreibt, die die Form des Moleküls beschreibt. Dieses Textformat, bekannt als SMILES-String, ist eine Standardmethode, mit der Chemiker Strukturen aufschreiben, damit Computer sie lesen können.

Die Ergebnisse dieses neuen Systems sind überraschend stark. Bei Tests mit simulierten Daten konnte das Modell die Struktur eines Moleküls aus nur seinem Infrarotspektrum etwa 69 Prozent der Zeit korrekt identifizieren. Als es nur das Raman-Spektrum verwendete, sprang die Genauigkeit auf fast 78 Prozent. Die Daten der Kernspinresonanz allein waren weniger hilfreich und trafen die Antwort nur etwa 38 Prozent der Zeit. Als die Forscher jedoch alle drei Arten von Daten kombinierten, wurde das System unglaublich präzise und traf die korrekte Struktur in 84 Prozent der Fälle beim ersten Versuch. Wenn die Forscher dem Computer erlaubten, fünf Versuche zu unternehmen und den besten auszuwählen, schoss die Erfolgsquote auf über 96 Prozent empor. Diese Zahlen stellen einen bedeutenden Sprung nach vorn dar, da das System diese Ergebnisse erzielte, ohne auf vorverarbeitete Daten, chemische Formeln oder externe Datenbanken zurückzugreifen, um die Antwort abzuleiten.

Um das System noch besser zu machen, fügten die Forscher einen speziellen Trainingsschritt hinzu, der dem Computer beibrachte, was er nicht tun sollte. Nachdem das Modell seine ersten Vermutungen angestellt hatte, betrachteten die Forscher die Fehler, die es gemacht hatte, und zeigten ihm diese Fehler erneut, mit der Anweisung, diese spezifischen falschen Pfade in Zukunft zu vermeiden. Dieser Prozess, den sie „Unlikelihood Fine-Tuning“ nennen, trieb die Genauigkeit noch weiter nach oben. Beispielsweise war das Modell bei der Verwendung aller drei Spektren zusammen in 84,23 Prozent der Fälle beim ersten Versuch korrekt, und wenn es fünf Versuche erlauben ließ, lag es bei 96,27 Prozent richtig. Diese Verbesserung geschah, ohne dass neues chemisches Wissen hinzugefügt wurde, was beweist, dass das Modell einfach lernte, vorsichtiger zu sein, indem es seine eigenen vergangenen Fehler studierte.

Die Forscher nahmen sich auch die Zeit zu verstehen, wie der Computer denkt, indem sie in die „Black Box“ blickten, um zu sehen, welche Teile der Daten am wichtigsten waren. Sie entdeckten, dass das Raman-Spektrum der wichtigste Hinweis war und das meiste Gewicht trug, um die Entscheidung über die Gesamtform des Moleküls zu treffen. Das Infrarotspektrum war der zweitwichtigste Faktor, während die Kernspinresonanz-Daten eine geringere Rolle spielten. Überraschenderweise behandelte der Computer nicht alle drei Datenquellen in jedem Schritt gleich. Stattdessen schien er die Raman-Daten zu nutzen, um das Hauptgerüst des Moleküls aufzubauen, dann die Infrarot-Daten, um spezifische Atomgruppen zu identifizieren, und schließlich die Kernspinresonanz-Daten, um die Verbindungen zu überprüfen.

Eine besonders interessante Entdeckung war, wie der Computer den allerersten Schritt seines Denkens handhabte. Das System beginnt mit der Generierung eines speziellen Startsymbols, das wie eine Flagge wirkt, um dem Rest des Programms zu sagen, welche Art von Molekül es gerade betrachtet. Die Forscher fanden heraus, dass dieses Startsymbol effektiv Moleküle, die einen geschlossenen Ring bilden, von solchen trennt, die lediglich offene Ketten sind. Noch bevor der Computer beginnt, die vollständige Struktur auszuschreiben, hat dieser eine Startpunkt bereits entschieden, ob das Molekül kreisförmig oder linear ist, und fungiert somit als globaler Anker, der den gesamten Prozess leitet. Diese Erkenntnis deutet darauf an, dass das Modell eine fundamentale Regel der Chemie gelernt hat: Die Gesamtform eines Moleküls bestimmt, wie seine Teile zusammenpassen.

Das Team blieb nicht bei simulierten Daten stehen; es testete sein System auch an realen experimentellen Spektren aus Standard-Chemiedatenbanken. Selbst mit den unordentlichen, imperfekten Daten, die in echten Laboratorien vorkommen, schnitt das Modell gut ab. Auf einem Datensatz von tausenden echter Infrarotspektren identifizierte das System die Struktur beim ersten Versuch etwa 22 Prozent der Zeit korrekt und verbesserte sich auf über 38 Prozent, wenn man fünf Versuche erlaubte. Obwohl dies niedriger ist als die Leistung bei perfekten simulierten Daten, beweist es, dass das System in der Lage ist, das Rauschen und die Komplexität der realen Welt zu bewältigen. Die Forscher merkten an, dass das System immer noch mit bestimmten schwierigen Aufgaben kämpft, wie etwa dem exakten Zählen der Anzahl der Kohlenstoffatome in einer langen Kette, was für jede Methode, die sich ausschließlich auf diese Spektren verlässt, eine Herausforderung bleibt.

Diese Arbeit zeigt, dass es möglich ist, ein leistungsstarkes Werkzeug zur Identifizierung von Chemikalien zu bauen, das fast vollständig auf den Rohdaten selbst basiert, frei von den schweren Einschränkungen früherer Methoden. Durch die Kombination einer einfachen, effizienten Architektur mit einer intelligenten Art, aus Fehlern zu lernen, haben die Forscher ein System geschaffen, das einen neuen Standard für Genauigkeit setzt. Die Ergebnisse legen nahe, dass wir zwar noch keinen perfekten Maschinenwesen haben, das jedes molekulare Rätsel sofort lösen kann, wir uns aber auf eine Zukunft zubewegen, in der Computer die Sprache des Lichts und des Magnetismus mit einer Klarheit lesen können, die der eines menschlichen Experten in nichts nachsteht, und so einen zuverlässigen und interpretierbaren Weg für die chemische Analyse eröffnen.