vIR-OLO: an open-source YOLO-based interface for functional- group detection and localization in infrared spectra

Resumen Técnico: vIR-OLO

Planteamiento del Problema
La identificación precisa de grupos funcionales a partir de espectros de infrarrojo (IR) es una tarea crítica en la caracterización molecular, pero tradicionalmente depende del análisis manual laborioso de la forma y ubicación de los picos. Si bien enfoques recientes basados en datos utilizando aprendizaje automático (ML) y redes neuronales convolucionales (CNN) han automatizado el reconocimiento de grupos funcionales, estos enmarcan predominantemente el problema como una tarea de clasificación. Estos métodos predicen la presencia de grupos funcionales, pero no logran identificar explícitamente las regiones espectrales específicas responsables de sus predicciones. En consecuencia, carecen de anotaciones visuales editables (como cuadros delimitadores o bounding boxes), lo que obliga a los usuarios a depender de métodos de interpretabilidad post-hoc como los mapas de saliencia, los cuales no están diseñados para la anotación o verificación directa. Esta limitación obstaculiza la verificación de modelos, la interpretación guiada por humanos y la creación de conjuntos de datos anotados de alta calidad para desarrollos posteriores.

Metodología
Los autores presentan vIR-OLO, un marco de código abierto que reformula la identificación de grupos funcionales en la espectroscopia IR como un problema de detección de objetos utilizando la arquitectura YOLO (You Look Once).

• Curación de Datos: El estudio utilizó 2,200 espectros IR de la Base de Datos Espectral de Compuestos Orgánicos (SDBS), anotados manualmente para contener al menos uno de 12 grupos funcionales objetivo (aromáticos, alcoholes, aminas, ésteres, alquenos, ácidos carboxílicos, cetonas, fenoles, nitrilos, amidas, aldehídos y alquinos). Esto resultó en 5,635 cuadros delimitadores.
• Aumento de Datos: Para abordar la variabilidad en la anotación manual, el conjunto de entrenamiento fue aumentado generando cinco versiones adicionales de cada espectro con coordenadas y dimensiones de los cuadros delimitadores perturbadas (ruido gaussiano y escalado), dejando los datos espectrales subyacentes sin cambios. Esto resultó en 10,560 pares de entrenamiento.
• Arquitectura del Modelo: El marco emplea la arquitectura Ultralytics YOLO11l. Se entrenaron y compararon tres configuraciones distintas de modelos para probar diferentes ontologías de grupos funcionales:
  1. vIR-OLO_12FG: Los 12 grupos funcionales originales.
  2. vIR-OLO_10FG: Una versión combinada donde las cetonas, los aldehídos y los ésteres se agrupan en una única clase de "subgrupos de carbonilo" para reducir la ambigüedad.
  3. vIR-OLO_13FG: Una versión refinada donde los grupos de picos múltiples (aminas, alquenos, alquinos) se subdividen en clases dependientes de la posición (por ejemplo, "L" para izquierda, "R" para derecha) para manejar distribuciones bimodales en las características espectrales.
• Entrenamiento y Evaluación: Los modelos fueron entrenados en una GPU NVIDIA A100 con un tamaño de lote (batch size) de 64. El rendimiento se evaluó en un conjunto de prueba reservado (220 espectros) utilizando dos métricas complementarias:
  • Métricas basadas en incidencia: Precisión (precision), exhaustividad (recall) y puntuación F1 para la detección de la presencia de un grupo funcional independientemente de la ubicación exacta del cuadro.
  • Métricas basadas en localización: Intersección sobre Unión (IoU) y F1 consciente de la localización, utilizando un umbral estricto de IoU de 0.7 para asegurar una alineación espacial precisa.
• Interfaz de Software: Se desarrolló una Interfaz Gráfica de Usuario (GUI) basada en Python para facilitar el flujo de trabajo. Permite a los usuarios cargar modelos preentrenados para la predicción, anotar espectros manualmente, editar cuadros delimitadores, reestructurar conjuntos de datos al formato YOLO y realizar el ajuste fino (fine-tuning) de modelos personalizados sin necesidad de conocimientos de programación.

Resultados Clave

• Desempeño de Detección: Los tres modelos demostraron sólidas capacidades de detección basadas en la incidencia. Las puntuaciones F1 promediadas por micro superaron el 0.84 en todas las configuraciones (10FG: 0.8403, 12FG: 0.8448, 13FG: 0.8552).
• Desempeño de Localización: Los modelos lograron una alta precisión espacial para las detecciones coincidentes, con puntuaciones medias de IoU consistentemente superiores a 0.80. Sin embargo, las puntuaciones F1 conscientes de la localización fueron más moderadas (oscilando entre ~0.65 y 0.67), lo que indica que, si bien el modelo se alinea bien cuando detecta una característica, tiene dificultades con la exhaustividad para ciertas clases o bajo criterios de localización estrictos.
• Comparación de Ontologías:
  • El modelo 13FG logró la mayor puntuación F1 basada en la incidencia (0.8552), lo que sugiere que una granularidad de etiqueta más fina ayuda a capturar patrones espectrales distintos.
  • El modelo 10FG (con carbonilos combinados) mostró una mayor robustez y la mayor relación de coincidencia exacta (0.7182), lo que sugiere que la fusión de clases espectralmente ambiguas reduce los falsos positivos/negativos.
  • La subdivisión de grupos de picos múltiples del modelo 13FG arrojó resultados mixtos; mientras que algunas subclases (por ejemplo, alquinos-R) mejoraron, otras (por ejemplo, aminas-L) funcionaron peor que las versiones no divididas, resaltando los riesgos del desequilibrio de datos al dividir clases.
• Contexto Comparativo: Al compararse con los modelos de clasificación basados en IR existentes en la literatura, las puntuaciones F1 promediadas por macro de vIR-OLO (0.82–0.84) son competitivas, aunque su distinción principal es su capacidad de proporcionar anotaciones de cuadros delimitadores explícitas y editables en lugar de solo conjuntos de etiquetas.

Significancia y Reivindicaciones
El artículo afirma que vIR-OLO es el primer marco de código abierto basado en YOLO que replantea la identificación de grupos funcionales en espectros IR como una tarea de detección de objetos. Su principal significancia radica en el cambio de paradigma de la clasificación de "caja negra" hacia la anotación consciente de la localización y editable por humanos.

Las contribuciones clave incluyen:

1. Localización Explícita: A diferencia de los métodos previos, vIR-OLO proporciona cuadros delimitadores directamente sobre los espectros, lo que permite a los usuarios verificar visualmente, corregir y reutilizar las predicciones.
2. Flujo de Trabajo con Humano en el Bucle (Human-in-the-Loop): La GUI integrada reduce la barrera de entrada para los químicos, permitiendo un refinamiento iterativo del modelo donde las predicciones corregidas pueden utilizarse para el ajuste fino de modelos personalizados.
3. Desarrollo Comunitario: Al liberar modelos preentrenados y un código fuente abierto, el marco soporta un ecosistema distribuido donde los grupos de investigación pueden compartir modelos entrenados en espacios químicos específicos, fomentando el desarrollo de modelos impulsado por la comunidad.

Los autores posicionan a vIR-OLO no como un reemplazo totalmente autónomo de la interpretación experta, sino como una herramienta práctica para el análisis espectral asistido por IA que acelera la creación de conjuntos de datos de alta calidad y permite la evaluación reproducible de la detección de grupos funcionales.