技術要約：大規模言語モデルエージェントによる、汎用性と証拠に基づいた核磁気共鳴を用いた分子構造解析に向けて

問題提起

核磁気共鳴（NMR）分光法は分子構造決定におけるゴールドスタンダードであるが、未知の分子に対する複雑なスペクトルの解釈は、依然として人間の専門知識に依存するボトルネックとなっている。現在の人工知能のアプローチは、以下の決定的なトレードオフに直面している：

1. 検索ベースの手法（例：NMRSolver）は、化学的に妥当な参照データベースを検索することで高い精度を実現するが、検索空間の外にある新規なスキャフォールドや新たに単離された天然物の特定には失敗する。
2. de novo（新規生成型）ディープラーニングモデル（例：NMRMind, ChefNMR）は、新規構造を生成できるが、「ブラックボックス」として機能する。これらは、厳密な科学的検証に必要な原子レベルの解釈可能性を欠いており、ピークから原子への割り当てステップをバイパスしており、スペクトルの信号がいかに予測構造を支持しているかを説明することができない。

既存の手法は、未知のスキャフォールドへの汎用性に乏しく、構造の誤割り当てを修正したり、複雑な天然物を扱ったりするために必要な証拠に基づく推論能力を欠いている。

手法：NMRAgent

著者らは、候補生成と証拠に基づく検証の間の溝を埋める、大規模言語モデル（LLM）によって駆動される証拠推論エージェントであるNMRAgentを提案している。ブラックボックス型の予測器とは異なり、NMRAgentは3層の階層構造を通じて、人間の専門家の演繹的推論を模倣する：

1. 知識レベル（プランニング）

• メカニズム: LLMプランナーは、外部の化学知識グラフと内部の「NMRエビデンスメモリ」（検証済みのピーク・原子割り当ておよび専門家のフィードバックを格納）に対する**検索拡張生成（RAG）**を利用する。
• 機能: 入力された分子式、実験スペクトル、およびメタデータ（例：反応前駆体、生物学的起源）に基づき、論理的かつステップバイステップの構造決定プランを策定する。これにより、探索空間を制約し、ドメイン固有のコンテキストを提供することで、盲目的な構造列挙を防ぐ。

2. 分子レベル（生成と検証）

• ハイブリッド候補プール: エージェントは、以下の統合により広範な候補空間を構築する：
  • 検索: 密なスペクトル埋め込み（UltraNMR経由）を用いた粗い検索から精緻な検索（coarse-to-fine retrieval）により、膨大な（1億5800万件の）スペクトル-構造データベース（PubChem-NMRNetから拡張）を検索する。
  • de novo 生成: データベース内のエントリーを超えた構造を提案するために、特化したNMR条件付き分子生成器（例：UltraNMR, NMRMind, ChefNMR）を呼び出す。
• ピーク・原子検証器: LLM駆動の検証器は、高速な機械学習NMR予測器を使用して、すべての候補に対して原子注釈付きスペクトルを生成する。これは明示的にピークと原子の対応関係を確立し、以下を出力する：
  • 一致スコア（consistency score）。
  • 割り当てセット（一致したピーク）。
  • 未解決の不一致領域（構造的な不一致のエビデンス）。

3. フラグメントレベル（最適化）

• メカニズム: 全分子の候補が十分なスペクトル支持を欠いている場合、エージェントは最適化モジュールを起動する。
• プロセス: 検証器が提供する不一致をLLMが解釈し、どの部分構造を保持し、どれを修正すべきかを特定する。エージェントは候補を化学的に意味のあるフラグメント（BRICSルールを使用）に分解し、厳格な分子式制約の下で再結合する。
• 反復: 新たに組み立てられた候補はピーク・原子検証器へと戻され、原子レベルのエビデンスとフラグメントレベルの最適化の間の反復ループを形成する。

主な貢献

1. 証拠に基づく推論パラダイム: NMRAgentは、化学知識、特化したツール、およびスペクトルの証拠を調整し、解釈可能な構造推論を行う最初のエージェント型フレームワークである。これは、観測されたNMR信号がいかに予測構造を支持するかを、ピーク・原子の割り当てを通じて明示的に追跡する。
2. 新規スキャフォールドへの汎用性: 検索とde novo生成、および分子式制約付きの最適化を組み合わせることで、エージェントは純粋な検索手法のデータベースカバー率の限界を克服する。
3. 透明な検証: 本システムは、直接的な予測を超えて、「証拠の連鎖」を提供し、構造の精緻化を駆動する特定のピーク・原子の不一致を特定する。

結果

著者らは、複数のベンチマークおよび実世界のシナリオでNMRAgentを評価した：

• スキャフォールド分割ベンチマーク (NMRGym): 未知のスキャフォールドへの汎用性をテストするために設計された。
  • Top-10 精度: NMRAgentは**67.13%**を達成し、最強のベースライン（NMRSolver+Formula, 36.48%）を絶対値で30.65ポイント（約84%の相対改善）上回った。
  • タニモト類似度 (Top-10): NMRAgentは0.792のスコアを達成し、ベースライン（例：NMRMindの0.147）よりも大幅に高く、予測が正確でない場合でも化学的に真値に近いことを示している。
  • 堅牢性: ベースラインの精度が分子サイズ（重原子数）の増加に伴って低下するのに対し、NMRAgentは複雑な分子に対しても安定した性能を維持した。
• その他のベンチマーク:
  • nmrshiftdb: 81.0%のTop-10精度を達成（NMRSolverの37.9%に対し）、不完全なスペクトルデータに対する堅牢性を実証した。
  • Exp450: 70.0%のTop-10精度を達成し、文献由来の実例において検索ベースのベースラインを上回った。
• 実世界への応用:
  • 誤割り当ての修正: 元の合成または結晶学的エビデンスへのアクセスなしに、報告されたNMRシフトのみを用いて、既知の4つのケース（例：Altechromone A）の改訂された構造を正常に復元した。
  • 新規天然物: Hydrangea davidii および Vitex trifolia から単離された、以前は未知であった2つの天然物の構造を解明し、実験的に検証された解と一致させた。

重要性と主張

本論文は、NMRAgentが分析化学における解釈可能なAIの新しいパラダイムを確立すると主張している。ブラックボックス型の予測を超えて、透明で証拠に基づいた推論へと移行することで、本システムは科学的検証における原子レベルの解釈可能性という重要なニーズに応えている。

著者らは、NMRAgentを単なる予測ツールとしてではなく、以下の実用的なアシスタントとして位置付けている：

• 既存の文献における潜在的な誤ったNMR割り当ての検出。
• データベースのアナログが存在しない、複雑で新規な天然物の構造解明。
• より豊かなスペクトルモダリティ（例：2D NMR）やより広い化学知識を組み込むことができる将来のシステムのための、スケーラブルな基盤の提供。

この研究は、LLMの推論を特化した化学ツールおよび厳格な検証と統合することで、純粋な検索モデルと純粋な生成モデルの両方の限界を克服できることを示しており、汎用性が高く信頼できる自動構造決定への道筋を提示している。