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

Cet article présente un cadre d'apprentissage profond basé sur l'architecture transformer qui parvient avec succès à l'élucidation automatisée de structures de novo pour des molécules organiques comprenant jusqu'à 40 atomes non hydrogénés en utilisant uniquement des spectres RMN $^1$H et $^{13}$C unidimensionnels, identifiant correctement la molécule cible parmi les 15 meilleures prédictions dans 60,4 % des cas.

L'essentiel

Imaginez que vous soyez un détective tentant de résoudre un mystère, mais qu'au lieu de trouver des empreintes digitales ou un témoin, vous n'ayez qu'une seule photographie floue de l'ombre du suspect. Votre tâche est de reconstruire l'intégralité du visage, du corps et des vêtements du suspect à partir de cette seule ombre.

C'est essentiellement ce à quoi les chimistes sont confrontés lorsqu'ils tentent de déterminer la structure d'une nouvelle molécule en utilisant uniquement la RMN 1D (spectroscopie de résonance magnétique nucléaire unidimensionnelle).

Le puzzle impossible

Dans le monde de la chimie, une molécule est comme une structure Lego complexe. Pour une molécule de taille moyenne (contenant environ 36 à 40 « atomes lourds » comme le carbone, l'azote ou l'oxygène), il existe plus de façons de les assembler que de grains de sable sur toutes les plages de la Terre. L'article estime que ce nombre se situe entre $10^{20}$ et $10^{60}$.

Traditionnellement, déterminer quelle structure Lego spécifique vous possédez en utilisant seulement une simple « ombre » RMN 1D (un spectre) était considéré comme impossible. C'est comme essayer de deviner l'arrangement exact d'un milliard de briques Lego en regardant simplement une ombre plate unique. Habituellement, les chimistes ont besoin d'indices supplémentaires, comme la RMN 2D (qui donne une carte 3D) ou la connaissance de la liste exacte des ingrédients (la formule moléculaire) pour résoudre le puzzle.

Le détective IA

Les chercheurs de cet article ont construit un détective IA super intelligent (un modèle « Transformer », le même type de technologie qui se cache derrière de nombreux chatbots modernes) capable de résoudre ce puzzle en utilisant uniquement l'ombre RMN 1D.

Voici comment ils l'ont entraîné, en utilisant un processus astucieux en deux étapes :

Étape 1 : Apprendre le langage des formes (Pré-entraînement)
Avant que l'IA ne puisse regarder les ombres RMN, ils lui ont enseigné un jeu différent. Ils lui ont donné des « empreintes de Morgan » — qui sont comme des codes-barres numériques décrivant les petits morceaux (fragments) d'une molécule — et lui ont demandé de construire la structure complète de la molécule à partir de ces codes-barres.

• L'analogie : Imaginez enseigner à un enfant à construire une maison en lui montrant une liste de briques (fenêtres, portes, murs) et en lui demandant d'assembler la maison.
• Le résultat : L'IA est devenue une maîtresse bâtisseuse. Elle pouvait regarder une liste de fragments et reconstruire correctement la maison complète dans 97,8 % des cas.

Étape 2 : Le vrai test (Du spectre à la structure)
Une fois que l'IA était devenue une maîtresse bâtisseuse, ils lui ont enseigné la véritable tâche : regarder l'ombre RMN et deviner directement la structure Lego.

• Ils ne lui ont pas donné la liste des ingrédients (la formule moléculaire).
• Ils ne lui ont pas donné de carte 3D.
• Ils lui ont seulement donné le spectre RMN 1D.

Les résultats : Résoudre l'insoluble

L'IA a accompli des miracles sur cette tâche impossible :

• Précision : Pour des molécules allant jusqu'à 40 atomes de long, l'IA a deviné la structure correcte dans son top 15 de ses propositions environ 60 % du temps.
• L'« Ombre » vs La « Carte » : Même si l'IA n'obtenait pas la réponse exacte, elle était souvent très proche. Si elle se trompait, la structure suggérée était souvent similaire à 82 % à la molécule réelle. C'est comme si le détective supposait que le suspect porte un chapeau rouge au lieu d'un bleu, mais qu'il réussit à identifier le reste de la tenue.
• Un seul œil suffit : Étonnamment, l'IA pouvait réaliser la majeure partie de ce travail en utilisant uniquement le spectre RMN de l'Hydrogène ($^1$H), sans avoir besoin des données du Carbone ($^{13}$C). Elle obtenait la bonne réponse 46,6 % du temps dans son top 15 des propositions.
• Adaptabilité au monde réel : L'IA a été entraînée sur des simulations informatiques, mais les chercheurs ont montré qu'elle pouvait être « affinée » avec seulement 50 spectres expérimentaux réels. Même avec cette infime quantité de données réelles, elle est passée de 0 % de précision sur les données réelles à 21,5 % de précision.

Pourquoi cela importe

Considérez l'espace chimique comme une bibliothèque contenant $10^{60}$ livres. Trouver le livre spécifique dont vous avez besoin en lisant simplement la couverture (le spectre RMN 1D) était considéré comme impossible. Cette IA ne se contente pas de trouver le livre ; elle réduit la recherche à une petite pile de 15 livres, dont 6 sont probablement celui que vous recherchez.

L'article conclut que cet outil permet aux scientifiques de sauter les étapes coûteuses et chronophages consistant à obtenir des données plus complexes. Il agit comme un filtre puissant, réduisant rapidement les possibilités infinies de structures chimiques à un nombre gérable de quelques options, tout cela en se basant sur les données les plus simples et les plus courantes disponibles dans un laboratoire de chimie.

Résumé technique

Résumé technique : Repousser les limites de la spectroscopie RMN monodimensionnelle pour l'élucidation automatisée de structures par intelligence artificielle

Énoncé du problème
La spectroscopie RMN monodimensionnelle (1D) est un outil primaire pour la caractérisation des composés organiques ; cependant, déterminer la structure complète d'une molécule (formule et connectivité) à partir de spectres RMN ¹H et/ou ¹³C 1D seuls — ce que l'on appelle la génération de structure de novo — est traditionnellement considéré comme insoluble pour les molécules possédant plus de quelques atomes. Cela est dû à l'explosion combinatoire de l'espace chimique, où le nombre de structures possibles pour des molécules contenant jusqu'à 36 atomes non-hydrogène varie de $10^{20}$ à $10^{60}$. Les approches existantes d'élucidation de structure assistée par ordinateur (CASE) nécessitent généralement des données supplémentaires (par exemple, la RMN 2D, la HR-MS, des formules moléculaires) ou reposent sur la comparaison avec des bibliothèques de candidats, ce qui limite leur applicabilité aux composés nouveaux ou aux situations où un tel contexte est indisponible. Les méthodes actuelles d'apprentissage automatique échouent souvent à traiter l'ensemble du spectre-vers-structure sans étapes intermédiaires ou informations de conditionnement étendues.

Méthodologie
Les auteurs proposent un cadre d'apprentissage profond de bout en bout basé sur des architectures de type transformer pour résoudre les tâches de spectre-vers-structure et de spectre-vers-sous-structure en utilisant uniquement des spectres RMN ¹H et ¹³C 1D, sans nécessiter la formule moléculaire ou d'autres données contextuelles.

1. Pré-entraînement (Sous-structure-vers-Structure) : Le cadre utilise une phase de pré-entraînement où un modèle transformer apprend à reconstruire des chaînes SMILES à partir d'empreintes digitales de Morgan (vecteurs binaires représentant des sous-structures moléculaires). Cette tâche conditionne le modèle sur la sémantique et la validité syntaxique des représentations moléculaires. Le modèle a été entraîné sur 88 millions de chaînes SMILES uniques issues de PubChem (en date de février 2025) contenant jusqu'à 40 atomes lourds (C, N, O, H, B, P, S, Si, F, Br, Cl, I).
2. Architecture multitâche : Les poids pré-entraînés sont transférés pour initialiser la branche d'élucidation de structure d'un modèle multitâche.
   • Entrée : Le modèle prend des spectres RMN ¹H 1D (encodés via un réseau de neurones convolutifs) et des déplacements chimiques RMN ¹³C (représentation intégrée).
   • Traitement : Une représentation latente combinée est injectée dans deux branches parallèles :
     • Une branche d'élucidation de sous-structure (encodeur transformer à 4 couches) qui prédit la probabilité de présence de fragments moléculaires spécifiques.
     • Une branche de prédiction de structure (encodeur-décodeur transformer à 8 couches) qui génère de manière autorégressive la chaîne SMILES.
3. Données d'entraînement : Le modèle multitâche a été entraîné sur un ensemble curaté de 2 millions de molécules (sélectionnées parmi le pool de 88 millions pour garantir la diversité et éviter la fuite de données) avec des spectres RMN ¹H et ¹³C simulés par anticipation (forward-simulated) via des prédicteurs ACD/Labs.

Résultats clés

• Performance Sous-structure-vers-Structure : Le modèle de pré-entraînement a atteint une précision Top-15 de 97,8 % dans la reconstruction de chaînes SMILES à partir d'empreintes digitales de Morgan pour des molécules allant jusqu'à 40 atomes lourds. Même pour les plus grosses molécules (40 atomes lourds), la précision reste élevée (88,8 %), et les prédictions incorrectes présentent une similitude de Tanimoto élevée (MTS moyen de 0,82 par rapport à la cible), indiquant que le modèle récupère une information structurelle substantielle même en cas d'échec de la reconstruction exacte.
• Performance Spectre-vers-Structure : Le cadre multitâche a atteint une précision de structure Top-15 de 60,4 % sur l'ensemble de test en utilisant uniquement les spectres RMN ¹H et ¹³C. Cette performance est maintenue sur toute la gamme de tailles de molécules (10 à 40 atomes lourds), malgré une croissance de l'espace chimique de plus de 30 ordres de grandeur dans cet intervalle.
  • L'utilisation de la seule RMN ¹H a donné une précision Top-15 de 46,6 %.
  • L'utilisation de la seule RMN ¹³C a donné une précision Top-15 de 19,4 %.
  • Le pré-entraînement a amélioré la précision de structure Top-15 de 22 points de pourcentage par rapport à un entraînement à partir d'une initialisation aléatoire.
• Couverture élémentaire : Le modèle s'est généralisé avec succès à des éléments au-delà de C, N, O et H, incluant P, S, Si, B et les halogènes. Bien que la précision varie selon l'élément (plus élevée pour S, plus faible pour P en raison de la diversité de valence), le modèle a démontré sa capacité à prédire des structures contenant des éléments rares (ex. B, I) avec des précisions dépassant 20 %.
• Prédiction de sous-structure : Le modèle a obtenu un score F1 de 0,84 pour la prédiction de sous-structure. Les prédictions étaient hautement confiantes, avec 98,1 % des probabilités se situant en dehors de la plage 0,1–0,9.
• Validation expérimentale : Lorsqu'il est affiné sur un petit ensemble de 50 spectres expérimentaux du BMRB, le modèle atteint une précision de structure Top-15 de 21,5 % sur des données de test expérimentales, une amélimation significative par rapport à une précision zero-shot de 0,0 %, tout en conservant ses performances sur les données simulées.
• Génération de candidats : Dans les cas où la structure exacte n'est pas prédite, la meilleure prédiction incorrecte du modèle est souvent plus proche de la molécule cible que n'importe quelle molécule trouvée dans l'ensemble d'entraînement de 85 millions de molécules de PubChem (position Top-1 dans 32,2 % des échecs pour les systèmes de 40 atomes lourds).

Signification et revendications
L'article affirme que ce cadre surmonte l'échelle combinatoire de l'espace chimique pour permettre la génération de structure de novo automatisée en utilisant uniquement des données RMN 1D de routine. En exploitant les enseignements du traitement du langage naturel et des architectures transformer, les auteurs démontrent qu'il est possible de prédire la molécule correcte avec une précision de 60,4 % au sein des 15 premières prédictions pour des systèmes allant jusqu'à 40 atomes lourds.

Les auteurs positionnent ce travail comme une étape fondamentale vers une élucidation de structure entièrement automatisée. Ils soutiennent que le cadre :

1. Élimine le goulot d'étranglement de l'exigence de RMN 2D complexes ou de formules moléculaires pour la génération initiale de structures.
2. Fournit une alternative efficace en termes de calcul par rapport à la recherche par force brute ou aux algorithmes génétiques itératifs.
3. Offre une capacité de "modèle de fondation", où le pré-entraînement sur de grands ensembles de données permet un ajustement fin (fine-tuning) efficace sur de petits ensembles de données expérimentales.
4. Génère des molécules candidates de haute qualité qui peuvent contraindre l'espace de recherche chimique, même lorsque la structure exacte n'est pas immédiatement identifiée, servant potentiellement de germes pour des méthodes de recherche plus exhaustives ou des outils CASE.

Les auteurs reconnaissent les défis persistants, notamment la détermination de la stéréochimie et l'écart entre les données simulées et expérimentales, mais affirment que leur approche fournit une base robuste pour l'élucidation à grande échelle à travers l'espace chimique de type "drug-like".