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

化学者たちは、分子がどのように振動するか、あるいは原子が磁場にどのように反応するかを聞き取ることで、その分子の姿を解明するために、長らく一連のツールに頼ってきました。分光法として知られるこれらのツールは、あらゆる化学物質に対して固有の指紋となるような、複雑な線のパターンやピークを生み出します。何十年もの間、科学者たちはコンピュータにこれらの指針（指紋）を読み取らせ、それに対応する分子構造を即座に描かせる方法、すなわち「構造決定」と呼ばれるプロセスを教えようと試みてきました。初期の試みは、膨大な人間の助けや追加のデータを必要としましたが、目標は常に、人間のような専門家が行うように、生のスペクトルを見て、単にその分子の形を教えてくれるシステムを作り出すことでした。ただし、それは完璧な速度と一貫性を持って行われるものです。

研究チームは現在、外部からの助けをほとんど必要としない手法を用いて、この目標にこれまで以上に近づく新しい種類のコンピュータプログラムを構築しました。コンピュータに可能性のある答えのリストを読み込ませたり、ガイドとして追加の化学的事実を加えたりする代わりに、研究者たちは、赤外光、ラマン光、および核磁気共鳴という3種類の異なるタイプの分光法から得られる生のデータに、マシンを直接目を向けさせました。彼らは、2つの強力な人工知能を組み合わせた軽量なシステムを設計しました。第一の部分はフィルターとして機能し、スペクトルの生の線をスキャンして重要なパターンを見つけ出します。第二の部分は翻訳者として機能し、それらのパターンを取り込み、分子の形状を記述するテキストの文字列として書き出します。SMILES文字列として知られるこのテキスト形式は、コンピュータが構造を読み取れるようにするための標準的な方法です。

この新システムの成果は驚くほど強力です。シミュレーションデータを用いたテストにおいて、モデルは赤外スペクトルのみから分子の構造を約69パーセントの確率で正しく特定できました。ラマンスペクトルのみを使用した場合には、精度は8割近くまで跳ね上がりました。核磁気共鳴データ単体では、正解率は約38パーセントと、あまり役に立ちませんでした。しかし、これら3種類のデータを組み合わせると、システムは非常に精密になり、最初の推測で正しい構造を84パーセントの確率で当てました。もし研究者がコンピュータに5回の推測を行い、その中で最善のものを選ばせることが許されたならば、成功率は96パーセント以上に急上昇しました。これらの数値は、システムが答えを導き出すために、前処理されたデータや化学式、あるいは外部のデータベースを使用することなく、これらの結果を達成したという点で、大きな飛躍を意味しています。

システムをさらに改善するために、研究者たちはコンピュータに「何をすべきでないか」を教える特別な学習ステップを追加しました。モデルが最初の推測を行った後、研究者はその間違いを精査し、そのエラーを再び提示して、将来的にそれらの特定の誤った経路を避けるよう指示しました。彼らが「アンライクリーフ・ファインチューニング（不可能性による微調整）」と呼ぶこのプロセスにより、精度はさらに高まりました。例えば、3種類のスペクトルを併用した場合、モデルのトップの推測が正解となる確率は84.23パーセントになり、5回の推測が許されれば96.27パーセントに達しました。この改善は、新しい化学的知識を追加することなく行われたものであり、モデルが単に過去の失敗を研究することで、より注意深く学習できることを証明しています。

研究者たちはまた、コンピュータがどのように考えているのかを理解するために、「ブラックボックス」の内部を覗き込み、データのどの部分が最も重要であるかを探りました。彼らは、ラマンスペクトルが最も重要な手がかりであり、コンピュータが分子の全体的な形状を決定する上で最も大きな重みを持っていることを発見しました。赤外スペクトルは2番目に重要であり、核磁気共鳴データはより小さな役割を果たしていました。驚くべきことに、コンピュータはすべてのステップにおいて3つのデータソースを平等に扱っているわけではありませんでした。むしろ、ラマンデータを使用して分子の主要な骨格を構築し、次に赤外データを使用して特定の原子群を特定し、最後に核磁気共鳴データを使用して接続関係を再確認しているようでした。

特に興味深い発見は、コンピュータが思考の最初のステップをどのように扱っているかという点でした。システムは、特別な開始記号を生成することから始まります。これは、プログラムに対して、どのような種類の分子を見ているのかを伝える旗のような役割を果たします。研究者たちは、この開始記号が、閉じた環（リング）を形成する分子と、単なる開いた鎖である分子を効果的に区別していることを見出しました。コンピュータが完全な構造を書き始める前に、この単一の開始点が、分子が円形か直線的かをすでに決定しており、プロセス全体を導くグローバルなアンカーとして機能しているのです。この洞察は、モデルが化学の根本的なルール、すなわち「分子の全体的な形状が、その構成要素の適合方法を決定する」というルールを学習していることを示唆しています。

チームはシミュレーションデータにとどまらず、標準的な化学データベースからの実世界の実験スペクトルを用いて、システムをテストしました。実験室で見られるような、ノイズが多く不完全なデータであっても、モデルは良好なパフォーマンスを示しました。数千の実際の赤外スペクトルのデータセットにおいて、システムは最初の試みで構造を約22パーセントの確率で正しく特定し、5回の推測を許すと38パーセント以上に向上しました。これは完璧なシミュレーションデータと比較すると低くなりますが、システムが現実世界のノイズや複雑さを処理できることを証明しています。研究者たちは、システムが、例えば長い鎖の中にある炭素原子の数を正確に数えるといった、特定の困難なタスクには依然として苦戦していることも指摘しており、これはスペクトルのみに依存する方法にとって依然として課題であることを示しています。

この研究は、従来のメソッドのような重い制約から解放され、ほぼ完全に生のデータ自体に依存して、化学物質を特定するための強力なツールを構築することが可能であることを示しています。シンプルで効率的なアーキテクチャと、間違いから学ぶスマートな学習方法を組み合わせることで、研究者たちは精度の新たな基準を打ち立てました。これらの知見は、あらゆる分子のパズルを即座に解く完璧な機械はまだ完成していないかもしれませんが、私たちは、コンピュータが光と磁気の言語を人間の専門家に匹敵する明晰さで読み解き、化学分析への信頼できる解釈可能な道筋を提供する未来へと向かっていることを示唆しています。