🔬 physics

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

यह शोध पत्र ट्रांसफॉर्मर आर्किटेक्चर पर आधारित एक डीप लर्निंग फ्रेमवर्क प्रस्तुत करता है जो केवल एक-आयामी $^1$ H और $^{13}$ C NMR स्पेक्ट्रा का उपयोग करके 40 गैर-हाइड्रोजन परमाणुओं तक वाले कार्बनिक अणुओं के लिए स्वचालित डे नोवो (de novo) संरचना स्पष्टीकरण को सफलतापूर्वक प्राप्त करता है, और 60.4% मामलों में शीर्ष 15 भविष्यवाणियों के भीतर लक्षित अणु की सही पहचान करता है।

मूल लेखक: Frank Hu, Jonathan M. Tubb, Dimitris Argyropoulos, Sergey Golotvin, Mikhail Elyashberg, Grant M. Rotskoff, Matthew W. Kanan, Thomas E. Markland

प्रकाशित 2026-06-10

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Frank Hu, Jonathan M. Tubb, Dimitris Argyropoulos, Sergey Golotvin, Mikhail Elyashberg, Grant M. Rotskoff, Matthew W. Kanan, Thomas E. Markland

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक रहस्य सुलझाने की कोशिश कर रहे एक जासूस हैं, लेकिन आपके पास उंगलियों के निशान या कोई गवाह खोजने के बजाय, केवल संदिग्ध की छाया की एक धुंधली तस्वीर है। आपका काम उस एक छाया से संदिग्ध के पूरे चेहरे, शरीर और कपड़ों का पुनर्निर्माण करना है।

यह अनिवार्य रूप से वही है जिसका सामना रसायनशास्त्री तब करते हैं जब वे केवल 1D NMR स्पेक्ट्रोस्कोपी का उपयोग करके एक नए अणु (molecule) की संरचना को समझने की कोशिश करते हैं।

असंभव पहेली

रसायन विज्ञान की दुनिया में, एक अणु एक जटिल लेगो (Lego) संरचना की तरह है। एक मध्यम आकार के अणु के लिए (जिसमें लगभग 36 से 40 "भारी" परमाणु जैसे कार्बन, नाइट्रोजन या ऑक्सीजन हों), उन लेगो टुकड़ों को आपस में जोड़ने के अनगिनत तरीके हो सकते हैं। शोध पत्र के अनुसार, यह संख्या पृथ्वी के सभी समुद्र तटों पर मौजूद रेत के कणों से भी अधिक है। यह संख्या $10^{20}$ और $10^{60}$ के बीच होने का अनुमान है।

पारंपरिक रूप से, केवल एक साधारण 1D NMR "छाया" (स्पेक्ट्रम) का उपयोग करके यह पता लगाना कि आपके पास कौन सी विशिष्ट लेगो संरचना है, असंभव माना जाता था। यह एक अरब लेगो ईंटों की सटीक व्यवस्था का अनुमान लगाने जैसा है, केवल एक एकल, सपाट छाया को देखकर। आमतौर पर, वैज्ञानिकों को इस पहेली को सुलझाने के लिए अधिक सुरागों की आवश्यकता होती है, जैसे कि 2D NMR (जो एक 3D मानचित्र देता है) या सटीक सामग्रियों की सूची (आणविक सूत्र) का ज्ञान।

AI जासूस

शोधकर्ताओं ने इस पहेली को हल करने के लिए एक सुपर-स्मार्ट AI जासूस (एक "ट्रांसफॉर्मर" मॉडल, वही तकनीक जो कई आधुनिक चैटबॉट्स के पीछे है) बनाया है, जो केवल 1D NMR छाया का उपयोग करके इस पहेली को हल कर सकता है।

उन्होंने इसे एक चतुर दो-चरणीय प्रक्रिया का उपयोग करके प्रशिक्षित किया:

चरण 1: आकृतियों की भाषा सीखना (प्री-ट्रेनिंग)
इससे पहले कि AI, NMR छाया को देख पाता, उन्होंने इसे एक अलग खेल सिखाया। उन्होंने इसे "मॉर्गन फिंगरप्रिंट्स" दिए—जो डिजिटल बारकोड की तरह हैं जो एक अणु के छोटे टुकड़ों (खंडों) का वर्णन करते हैं—और AI को उन बारकोड्स से पूर्ण लेगो संरचना बनाने के लिए कहा।

उपमा: कल्पना कीजिए कि एक बच्चे को घर के टुकड़ों (खिड़कियां, दरवाजे, दीवारें) की एक सूची दिखाकर उसे घर बनाना सिखाना और उससे घर को असेंबल करने के लिए कहना।
परिणाम: AI एक मास्टर बिल्डर बन गया। वह खंडों की एक सूची को देखकर 97.8% बार सही ढंग से पूरी संरचना का पुनर्निर्माण कर सकता था।

चरण 2: वास्तविक परीक्षण (स्पेक्ट्रम से संरचना तक)
एक बार जब AI एक मास्टर बिल्डर बन गया, तो उन्होंने इसे वास्तविक कार्य सिखाया: NMR "छाया" को देखना और सीधे लेगो संरचना का अनुमान लगाना।

उन्होंने इसे सामग्रियों की सूची (आणविक सूत्र) नहीं दी।
उन्होंने इसे 3D मानचित्र नहीं दिया।
उन्होंने इसे केवल 1D NMR स्पेक्ट्रम दिया।

परिणाम: असंभव को संभव बनाना

AI ने इस असंभव कार्य पर चमत्कार किए:

सटीकता: 40 परमाणुओं तक लंबे अणुओं के लिए, AI ने लगभग 60% समय अपने शीर्ष 15 अनुमानों के भीतर सही संरचना का अनुमान लगाया।
"छाया" बनाम "मानचित्र": भले ही AI बिल्कुल सही उत्तर नहीं दे पाया, लेकिन वह अक्सर बहुत करीब था। यदि उसने गलत अनुमान लगाया, तो जिस संरचना का उसने सुझाव दिया, वह वास्तविक अणु के 82% समान थी। यह ऐसा है जैसे जासूस यह अनुमान लगाता है कि संदिग्ध ने लाल टोपी पहनी है न कि नीली, लेकिन बाकी पहनावे को सही पहचान लेता है।
एक आँख ही काफी है: आश्चर्यजनक रूप से, AI यह सारा काम केवल हाइड्रोजन (1H) NMR स्पेक्ट्रम का उपयोग करके कर सकता था, बिना कार्बन (13C) डेटा की आवश्यकता के। इसने अपने शीर्ष 15 अनुमानों में 46.6% बार सही उत्तर प्राप्त किया।
वास्तविक दुनिया में अनुकूलन क्षमता: AI को कंप्यूटर सिमुलेशन पर प्रशिक्षित किया गया था, लेकिन शोधकर्ताओं ने दिखाया कि इसे केवल 50 वास्तविक दुनिया के प्रयोगात्मक स्पेक्ट्रा के साथ "फाइन-ट्यून" किया जा सकता है। वास्तविक डेटा के इतने कम मात्रा के साथ भी, यह वास्तविक डेटा पर 0% सटीकता से बढ़कर 21.5% सटीकता तक पहुँच गया।

यह क्यों महत्वपूर्ण है

सोचिए कि रासायनिक स्थान $10^{60}$ पुस्तकों वाला एक पुस्तकालय है। केवल कवर (1D NMR स्पेक्ट्रम) को पढ़कर आपको आवश्यक विशिष्ट पुस्तक ढूंढना असंभव माना जाता था। यह AI केवल पुस्तक ढूंढता ही नहीं है; यह खोज को 15 पुस्तकों के एक छोटे ढेर तक सीमित कर देता है, जिनमें से 6 संभवतः वही हैं जो आप चाहते हैं।

शोध पत्र निष्कर्ष निकालता है कि यह उपकरण वैज्ञानिकों को अधिक जटिल डेटा प्राप्त करने के चरणों को छोड़ने की अनुमति देता है। यह एक शक्तिशाली फिल्टर के रूप में कार्य करता है, जो रासायनिक संरचनाओं की अनंत संभावनाओं को तेजी से कुछ प्रबंधनीय विकल्पों तक सीमित कर देता है, और यह सब केवल सबसे सरल, सबसे सामान्य डेटा के आधार पर किया जाता है जो एक रसायन विज्ञान प्रयोगशाला में उपलब्ध होता है।

तकनीकी सारांश: आर्टिफिशियल इंटेलिजेंस का उपयोग करके स्वचालित संरचना निर्धारण के लिए एक-आयामी (1D) एनएमआर स्पेक्ट्रोस्कोपी की सीमाओं को आगे बढ़ाना

समस्या विवरण
एक-आयामी (1D) एनएमआर (NMR) स्पेक्ट्रोस्कोपी कार्बनिक यौगिकों के लक्षण वर्णन के लिए एक प्राथमिक उपकरण है; हालाँकि, केवल 1D ¹H और/या ¹³C NMR स्पेक्ट्रा से किसी अणु की पूर्ण संरचना (सूत्र और कनेक्टिविटी) निर्धारित करना—जिसे de novo संरचना निर्माण के रूप में जाना जाता है—पारंपरिक रूप से उन अणुओं के लिए अव्यवहार्य माना जाता है जिनमें कुछ ही परमाणुओं से अधिक होते हैं। यह रासायनिक स्थान (chemical space) के संयोजन विस्फोट (combinatorial explosion) के कारण है, जहाँ 36 हाइड्रोजन परमाणुओं तक के अणुओं के लिए संभावित संरचनाओं की संख्या $10^{20}$ से $10^{60}$ के बीच होती है। मौजूदा कंप्यूटर-सहायता प्राप्त संरचना निर्धारण (CASE) दृष्टिकोण आमतौर पर अतिरिक्त डेटा (जैसे, 2D NMR, HR-MS, आणविक सूत्र) की आवश्यकता रखते हैं या उपलब्ध पुस्तकालयों (libraries) के विरुद्ध मिलान पर निर्भर करते हैं, जो उनकी नवीन यौगिकों या ऐसी स्थितियों में प्रयोज्यता को सीमित करता है जहाँ ऐसा संदर्भ उपलब्ध नहीं होता। वर्तमान मशीन लर्निंग विधियाँ अक्सर मध्यवर्ती चरणों या व्यापक अनुकूलन जानकारी के बिना पूर्ण स्पेक्ट्रम-से-संरचना कार्य को संबोधित करने में विफल रहती हैं।

कार्यप्रणाली
लेखक केवल 1D ¹H और ¹³C NMR स्पेक्ट्रा का उपयोग करके, आणविक सूत्र या अन्य प्रासंगिक डेटा की आवश्यकता के बिना, स्पेक्ट्रम-से-संरचना और स्पेक्ट्रम-से-उप-संरचना (substructure) कार्यों को हल करने के लिए ट्रांसफार्मर आर्किटेक्चर पर आधारित एक एंड-टू-एंड डीप लर्निंग फ्रेमवर्क का प्रस्ताव करते हैं।

प्रीट्रेनिंग (उप-संरचना-से-संरचना): फ्रेमवर्क एक प्रीट्रेनिंग चरण का उपयोग करता है जहाँ एक ट्रांसफार्मर मॉडल मॉर्गन फिंगरप्रिंट्स (आणविक उप-संरचनाओं का प्रतिनिधित्व करने वाले बाइनरी वेक्टर्स) से SMILES स्ट्रिंग्स को पुनर्गठित करना सीखता है। यह कार्य मॉडल को आणविक निरूपणों की अर्थ संबंधी (semantics) और वाक्यात्मक (syntactic) वैधता के लिए अनुकूलित करता है। मॉडल को PubChem (फरवरी 2025 तक) से 88 मिलियन अद्वितीय SMILES स्ट्रिंग्स पर प्रशिक्षित किया गया था, जिनमें 40 भारी परमाणुओं (C, N, O, H, B, P, S, Si, F, Br, Cl, I) तक की क्षमता थी।
मल्टीटास्क आर्किटेक्चर: प्रीट्रेन किए गए वेट्स (weights) को एक मल्टीटास्क मॉडल के संरचना निर्धारण शाखा के लिए इनिशियलाइज़ करने हेतु स्थानांतरित किया जाता है।
- इनपुट: मॉडल 1D ¹H NMR स्पेक्ट्रा (एक कनवल्शनल न्यूरल नेटवर्क के माध्यम से एनकोडेड) और ¹³C NMR केमिकल शिफ्ट्स (एम्बेडेड रिप्रेजेंटेशन) लेता है।
- प्रोसेसिंग: एक संयुक्त लेटेंट रिप्रेजेंटेशन को दो समानांतर शाखाओं में फीड किया जाता है:
  - एक उप-संरचना निर्धारण शाखा (4-लेयर ट्रांसफार्मर एनकोडर) जो विशिष्ट आणविक खंडों (fragments) की उपस्थिति की संभावना की भविष्यवाणी करती है।
  - एक संरचना भविष्यवाणी शाखा (8-लेयर एनकोडर-डिकोडर ट्रांसफार्मर) जो ऑटोरेग्रेसिव रूप से SMILES स्ट्रिंग को जेनरेट करती है।
प्रशिक्षण डेटा: मल्टीटास्क मॉडल को 2 मिलियन अणुओं के क्यूरेटेड सेट पर प्रशिक्षित किया गया था (डेटा लीकेज को रोकने और विविधता सुनिश्चित करने के लिए 88M पूल से चयनित), जिसमें ACD/Labs प्रेडिक्टर्स द्वारा उत्पन्न फॉरवर्ड-सिमुलेटेड ¹H और ¹³C NMR स्पेक्ट्रा का उपयोग किया गया था।

प्रमुख परिणाम

उप-संरचना-से-संरचना प्रदर्शन: प्रीट्रेनिंग मॉडल ने 40 भारी परमाणुओं तक के अणुओं के लिए मॉर्गन फिंगरप्रिंट्स से SMILES स्ट्रिंग्स को पुनर्गठित करने में 97.8% की Top-15 सटीकता प्राप्त की। सबसे बड़े अणुओं (40 भारी परमाणु) के लिए भी, सटीकता उच्च बनी रही (88.8%), और गलत भविष्यवाणियाँ लक्ष्य के उच्च टैनिमोटो समानता (औसत MTS 0.82) वाली थीं, जो इंगित करती हैं कि सटीक पुनर्गठन में विफल होने पर भी मॉडल पर्याप्त संरचनात्मक जानकारी प्राप्त कर लेता है।
स्पेक्ट्रम-से-संरचना प्रदर्शन: मल्टीटास्क फ्रेमवर्क ने केवल ¹H और ¹³C NMR स्पस्पेक्ट्रा का उपयोग करके टेस्ट सेट पर 60.4% की Top-15 संरचना सटीकता प्राप्त की। यह प्रदर्शन अणुओं के आकार की पूरी रेंज (10–40 भारी परमाणु) में बनाए रखा गया, बावजूद इसके कि इस रेंज के भीतर रासायनिक स्थान 30 से अधिक क्रम (orders of magnitude) बढ़ जाता है।
- केवल ¹H NMR स्पेक्ट्रा का उपयोग करने पर 46.6% की Top-15 सटीकता मिली।
- केवल ¹³C NMR स्पेक्ट्रा का उपयोग करने पर 19.4% की Top-15 सटीकता मिली।
- प्रीट्रेनिंग ने रैंडम इनिशियलाइजेशन से प्रशिक्षण की तुलना में Top-15 संरचना सटीकता में 22 प्रतिशत अंक का सुधार किया।
तत्व कवरेज (Elemental Coverage): मॉडल ने C, N, O, और H के अलावा अन्य तत्वों (P, S, Si, B, और हैलोजन सहित) के लिए सफलतापूर्वक सामान्यीकरण किया। हालांकि सटीकता तत्वों के अनुसार भिन्न थी (जैसे, S के लिए उच्च, P के लिए कम क्योंकि वैलेंसी विविधता अधिक है), मॉडल ने 20% से अधिक सटीकता के साथ दुर्लभ तत्वों (जैसे, B, I) वाले संरचनाओं की भविष्यवाणी करने की क्षमता प्रदर्शित की।
उप-संरचना भविष्यवाणी: मॉडल ने उप-संरचना भविष्यवाणी के लिए 0.84 का F1 स्कोर प्राप्त किया। भविष्यवाणियाँ अत्यधिक आत्मविश्वासी थीं, जहाँ 98.1% प्रोबेबिलिटी 0.1–0.9 की रेंज के बाहर थी।
प्रायोगिक सत्यापन: जब इसे BMRB के 50 प्रायोगिक स्पेक्ट्रा के एक छोटे सेट पर फाइन-ट्यून किया गया, तो मॉडल ने प्रायोगिक टेस्ट डेटा पर 21.5% की Top-15 संरचना सटीकता प्राप्त की, जो 0.0% ज़ीरो-शॉट सटीकता से एक महत्वपूर्ण सुधार है, जबकि इसने सिमुलेटेड डेटा पर अपना प्रदर्शन बनाए रखा।
कैंडिडेट जनरेशन: उन मामलों में जहाँ सटीक संरचना की भविष्यवाणी नहीं की गई, मॉडल की सबसे अच्छी गलत भविष्यवाणी अक्सर लक्ष्य अणु के करीब थी, जो कि 85M-अणु वाले PubChem ट्रेनिंग सेट में पाए गए किसी भी अणु से बेहतर थी (40-भारी-परमाणु सिस्टम के लिए 32.2% विफलताओं में Top-1 स्थिति)।

महत्ता और दावे
यह शोध पत्र दावा करता है कि यह फ्रेमवर्क केवल नियमित 1D NMR डेटा का उपयोग करके स्वचालित de novo संरचना निर्माण को सक्षम करने के लिए रासायनिक स्थान के संयोजन स्केलिंग (combinatorial scaling) को पार करता है। नेचुरल लैंग्वेज प्रोसेसिंग और ट्रांसफार्मर आर्किटेक्चर से प्राप्त अंतर्दृष्टि का लाभ उठाकर, लेखक यह प्रदर्शित करते है कि 40 भारी परमाणुओं तक की प्रणालियों के लिए पहले 15 भविष्यवाणियों के भीतर सही अणु की भविष्यवाणी करना 60.4% सटीकता के साथ संभव है।

लेखक इस कार्य को पूर्णतः स्वचालित संरचना निर्धारण की ओर एक आधारभूत कदम के रूप में प्रस्तुत करते हैं। उनका तर्क है कि यह फ्रेमवर्क:

प्रारंभिक संरचना निर्माण के लिए जटिल 2D NMR या आणविक सूत्रों की आवश्यकता के कारण उत्पन्न बाधा को हटा देता है।
ब्रूट-फोर्स सर्च या इटरेटिव जेनेटिक एल्गोरिदम के लिए एक कम्प्यूटेशनल रूप से कुशल विकल्प प्रदान करता है।
एक "फाउंडेशनल मॉडल" क्षमता प्रदान करता है, जहाँ बड़े डेटासेट पर प्रीट्रेनिंग करने से छोटे प्रायोगिक डेटासेट पर प्रभावी फाइन-ट्यूनिंग संभव हो जाती है।
उच्च गुणवत्ता वाले कैंडिडेट अणु उत्पन्न करता है जो रासायनिक खोज स्थान को सीमित कर सकते हैं, भले ही सटीक संरचना तुरंत पहचानी न जा सके, जिससे वे अधिक विस्तृत खोज-आधारित विधियों या CASE टूल्स के लिए बीज (seeds) के रूप में कार्य कर सकते हैं।

लेखक स्टीरियोकेमिकल निर्धारण और सिमुलेटेड एवं प्रायोगिक डेटा के बीच के अंतर सहित शेष चुनौतियों को स्वीकार करते हैं, लेकिन यह दावा करते हैं कि उनका दृष्टिकोण ड्रग-लाइक केमिकल स्पेस में स्वचालित स्पष्टीकरण को स्केल करने के लिए एक मजबूत आधार प्रदान करता है।

असंभव पहेली

AI जासूस

परिणाम: असंभव को संभव बनाना

यह क्यों महत्वपूर्ण है

इसी तरह के और पेपर