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

Dit artikel presenteert een deep learning-framework gebaseerd op transformer-architectuur dat succesvol automatische de novo structuurofklaring bereikt voor organische moleculen met tot 40 niet-waterstofatomen met behulp van slechts ééndimensionale $^1$H- en $^{13}$C-NMR-spectra, waarbij de doelmolecuul correct wordt geïdentificeerd binnen de top 15 voorspellingen in 60,4% van de gevallen.

De kern

Stel je voor dat je een detective bent die een mysterie probeert op te lossen, maar in plaats van vingerafdrukken of een getuige, heb je alleen een enkele, wazige foto van de schaduw van de verdachte. Jouw taak is om het volledige gezicht, lichaam en de kleding van de verdachte te reconstrueren aan de hand van slechts die ene schaduw.

Dit is in essentie wat chemici ondergaan wanneer ze proberen de structuur van een nieuw molecuul te achterhalen met behulp van alleen 1D NMR-spectroscopie.

De Onmogelijke Puzzel

In de wereld van de chemie is een molecuul als een complexe Lego-structuur. Voor een middelgroot molecuul (één met ongeveer 36 tot 40 "zware" atomen zoals koolstof, stikstof of zuurstof), zijn er meer mogelijke manieren om die Lego-blokjes aan elkaar te klikken dan er korrels zand op alle stranden van de aarde zijn. Het papier schat dat dit aantal tussen de $10^{20}$ en $10^{60}$ ligt.

Traditioneel werd het vaststellen van welke specifieke Lego-structuur je precies hebt met behulp van alleen een eenvoudige 1D NMR "schaduw" (een spectrum) beschouwd als onmogelijk. Het is alsof je probeert de exacte arrangement van een miljard Lego-steentjes te raden door alleen naar een enkele, platte schaduw te kijken. Meestal hebben chemici meer aanwijzingen nodig, zoals 2D NMR (dat een 3D-kaart geeft) of het exacte lijstje met ingrediënten (de moleculaire formule) om de puzzel op te lossen.

De AI-Detective

De onderzoekers in dit artikel hebben een superintelligente AI-detective gebouwd (een "Transformer"-model, dezelfde technologie achter veel moderne chatbots) die deze puzzel kan oplossen met behulp van alleen de 1D NMR-schaduw.

Zo hebben ze de AI getraind, via een slim twee-stappenproces:

Stap 1: De taal van vormen leren (Pre-training)
Voordat de AI naar de NMR-schaduwen kon kijken, leerden ze het een ander spelletje. Ze gaven de AI "Morgan fingerprints" — die werken als digitale barcodes die de kleine stukjes (fragmenten) van een molecuul beschrijven — en vroegen de AI om de volledige Lego-structuur te bouwen vanuit die barcodes.

• De Analogie: Stel je voor dat je een kind leert een huis te bouwen door het een lijst met stenen te laten zien (ramen, deuren, muren) en het vervolgens te vragen het huis te assembleren.
• Het Resultaat: De AI werd een meesterbouwer. Het kon naar een lijst met fragmenten kijken en de volledige huisstructuur in 97,8% van de gevallen correct reconstrueren.

Stap 2: De echte test (Spectrum naar Structuur)
Zodra de AI een meesterbouwer was, leerden ze de AI de echte taak: kijken naar de NMR- "schaduw" en direct de Lego-structuur raden.

• Ze gaven de AI niet de lijst met ingrediënten (de moleculaire formule).
• Ze gaven de AI geen 3D-kaart.
• Ze gaven de AI alleen het 1D NMR-spectrum.

De Resultaten: Het Onoplosbare Oplossen

De AI verrichtte wonderen bij deze onmogelijke taak:

• Nauwkeurigheid: Voor moleculen tot 40 atomen lang, raadde de AI de juiste structuur binnen zijn top 15 suggesties ongeveer 60% van de tijd.
• De "Schaduw" vs. De "Kaart": Zelfs als de AI niet het exacte juiste antwoord had, kwam hij meestal heel dichtbij. Als de AI het fout had, was de gesuggereerde structuur vaak voor 82% vergelijkbaar met het echte molecuul. Het is alsof de detective raadt dat de verdachte een rode hoed draagt in plaats van een blauwe, maar de rest van de outfit goed heeft.
• Eén oog is genoeg: Verrassend genoeg kon de AI het grootste deel van dit werk doen met alleen het Waterstof (1H) NMR-spectrum, zonder de Koolstof (13C) data nodig te hebben. Het haalde nog steeds 46,6% van de keren het juiste antwoord in zijn top 15 suggesties.
• Aanpasbaarheid in de echte wereld: De AI werd getraind op computersimulaties, maar de onderzoekers lieten zien dat het ook "fijn afgesteld" kan worden met slechts 50 echte experimentele spectra. Zelfs met deze kleine hoeveelheid echte data sprong de nauwkeurigheid op echte data van 0% naar 21,5%.

Waarom dit ertoe doet

Denk aan de chemische ruimte als een bibliotheek met $10^{60}$ boeken. Het vinden van het specifieke boek dat je nodig hebt door alleen de cover te lezen (het 1D NMR-spectrum) werd als onmogelijk beschouwd. Deze AI vindt niet alleen het boek; het verkleint de zoektocht tot een kleine stapel van 15 boeken, waarvan er 6 waarschijnlijk degene zijn die je wilt hebben.

Het artikel concludeert dat deze tool wetenschappers in staat stelt om de dure, tijdrovende stappen van het verkrijgen van complexere data over te slaan. Het fungeert als een krachtig filter dat de oneindige mogelijkheden van chemische structuren snel terugbrengt naar een hanteerbaar aantal, gebaseerd op de eenvoudigste, meest voorkomende data die beschikbaar zijn in een chemisch laboratorium.

Technische samenvatting

Technische Samenvatting: De grenzen van eendimensionale NMR-spectroscopie verleggen voor geautomatiseerde structuuropheldering met behulp van kunstmatige intelligentie

Probleemstelling
Eendimensionale (1D) NMR-spectroscopie is een primaire methode voor het karakteriseren van organische verbindingen; het bepalen van de volledige structuur van een molecuul (formule en connectiviteit) uit enkel 1D ¹H en/of ¹³C NMR-spectra alleen — bekend als de novo structuurgeneratie — wordt traditioneel beschouwd als onhandelbaar voor moleculen met meer dan enkele atomen. Dit komt door de combinatorische explosie van de chemische ruimte, waarbij het aantal mogelijke structuren voor moleculen met tot 36 niet-waterstofatomen varieert van $10^{20}$ tot $10^{60}$. Bestaande computerondersteunde structuurophelderingsbenaderingen (CASE) vereisen doorgaans aanvullende gegevens (bijv. 2D NMR, HR-MS, moleculaire formules) of vertrouwen op het matchen tegen kandidaatbibliotheken, wat hun toepasbaarheid beperkt bij nieuwe verbindingen of situaties waarin dergelijke context niet beschikbaar is. Huidige machine learning-methoden falen vaak in het aanpakken van de volledige spectrum-naar-structuur taak zonder tussenstappen of uitgebreide conditioneringinformatie.

Methodologie
De auteurs stellen een end-to-end deep learning-framework voor op basis van transformer-architecturen om de spectrum-naar-structuur en spectrum-naar-substructuur taken op te lossen met behulp van enkel 1D ¹H en ¹³C NMR-spectra, zonder de moleculaire formule of andere contextuele gegevens te vereisen.

1. Pretraining (Substructuur-naar-Structuur): Het framework maakt gebruik van een pretraining-fase waarin een transformer-model leert om SMILES-strings te reconstrueren vanuit Morgan fingerprints (binaire vectoren die moleculaire substructuren vertegenwoordigen). Deze taak conditioneert het model op de semantiek en syntactische validiteit van moleculaire representaties. Het model werd getraind op 88 miljoen unieke SMILES-strings uit PubChem (per februari 2025) die tot 40 zware atomen bevatten (C, N, O, H, B, P, S, Si, F, Br, Cl, I).
2. Multitask Architectuur: De pretrained gewichten worden overgedragen om de structuurophelderings-tak van een multitask-model te initialiseren.
   • Input: Het model neemt 1D ¹H NMR-spectra (gecodeerd via een convolutioneel neuraal netwerk) en ¹³C NMR chemische verschuivingen (embedded representatie).
   • Verwerking: Een gecombineerde latente representatie wordt gevoed aan twee parallelle takken:
     • Een substructuur-ophelderingstak (4-laagse transformer encoder) die de waarschijnlijkheid voorspelt dat specifieke moleculaire fragmenten aanwezig zijn.
     • Een structuurvoorspellings-tak (8-laagse encoder-decoder transformer) die de SMILES-string autoregressief genereert.
3. Trainingsgegevens: Het multitask-model werd getraind op een gecureerde set van 2 miljoen moleculen (geselecteerd uit de 88M pool om diversiteit te waarborgen en data leakage te voorkomen) met voorwaarts gesimuleerde ¹H en ¹³C NMR-spectra gegenereerd door ACD/Labs predictors.

Belangrijkste Resultaten

• Substructuur-naar-Structuur Prestaties: Het pretraining-model bereikte een Top-15 nauwkeurigheid van 97,8% bij het reconstrueren van SMILES-strings uit Morgan fingerprints voor moleculen met tot 40 zware atomen. Zelfs voor de grootste moleculen (40 zware atomen) bleef de nauwkeurigheid hoog (88,8%), en de onjuiste voorspellingen vertoonden een hoge Tanimoto-gelijkenis (gemiddelde MTS van 0,82) met de doelstructuur, wat aangeeft dat het model aanzienlijke structurele informatie herstelt, zelfs wanneer het faalt in exacte reconstructie.
• Spectrum-naar-Structuur Prestaties: Het multitask-framework bereikte een Top-15 structuur nauwkeurigheid van 60,4% op de testset met gebruik van enkel ¹H en ¹³C NMR-spectra. Deze prestatie werd behouden over het volledige bereik van molecuulgroottes (10–40 zware atomen), ondanks het feit dat de chemische ruimte binnen dit bereik met meer dan 30 ordes van grootte groeit.
  • Het gebruik van enkel ¹H NMR-spectra resulteerde in een Top-15 nauwkeurigheid van 46,6%.
  • Het gebruik van enkel ¹³C NMR-spectra resulteerde in een Top-15 nauwkeurigheid van 19,4%.
  • Pretraining verbeterde de Top-15 structuur nauwkeurigheid met 22 procentpunten vergeleken met training vanaf een willekeurige initialisatie.
• Elementaire Dekking: Het model generaliseerde succesvol naar elementen buiten C, N, O en H, inclusief P, S, Si, B en halogeen. Hoewel de nauwkeurigheid per element varieerde (bijv. hoger voor S, lager voor P vanwege valentie-diversiteit), demonstreerde het model het vermogen om structuren met zeldzame elementen (bijv. B, I) te voorspellen met nauwkeurigheden boven de 20%.
• Substructuur Voorspelling: Het model behaalde een F1-score van 0,84 voor de substructuur-voorspelling. De voorspellingen waren zeer confident, waarbij 98,1% van de waarschijnlijkheden buiten het bereik van 0,1–0,9 viel.
• Experimentele Validatie: Wanneer het model werd gefinetuned op een kleine set van 50 experimentele spectra van de BMRB, bereikte het een Top-15 structuur nauwkeurigheid van 21,5% op experimentele testdata, wat een significante verbetering is ten opzichte van de 0,0% zero-shot nauwkeurigheid, terwijl het zijn prestaties op gesimuleerde data behield.
• Kandidaatgeneratie: In gevallen waarin de exacte structuur niet werd voorspeld, was de beste onjuiste voorspelling van het model vaak dichter bij de doelmolecuul dan welk molecuul dan ook in de 85M-moleculen tellende PubChem trainingsset (Top-1 positie in 32,2% van de gevallen bij systemen met 40 zware atomen).

Betekenis en Claims
Het artikel beweert dat dit framework de combinatorische schaling van de chemische ruimte overwint om geautomatiseerde de novo structuurgeneratie mogelijk te maken met behulp van enkel routinematige 1D NMR-data. Door inzicht te gebruiken uit natuurlijke taalverwerking en transformer-architecturen, demonstreren de auteurs dat het mogelijk is om het juiste molecuul te voorspellen met een nauwkeurigheid van 60,4% binnen de eerste 15 voorspellingen voor systemen met tot 40 zware atomen.

De auteurs positioneren dit werk als een fundamentele stap naar volledig geautomatiseerde structuuropheldering. Zij stellen dat het framework:

1. De bottleneck wegneemt waarbij complexe 2D NMR of moleculaire formules vereist zijn voor initiële structuurgeneratie.
2. Een computationeel efficiënt alternatief biedt voor brute-force zoekopdrachten of iteratieve genetische algoritmen.
3. Een "foundation model" capaciteit biedt, waarbij pretraining op grote datasets zorgt voor effectieve fine-tuning op kleine experimentele datasets.
4. Hoogwaardige kandidaatmoleculen genereert die de chemische zoekruimte kunnen beperken, zelfs wanneer de exacte structuur niet onmiddellijk wordt geïdentificeerd, wat potentieel kan dienen als 'seeds' voor meer uitputtende zoekmethoden of CASE-tools.

De auteurs erkennen resterende uitdagingen, waaronder stereochemische bepaling en de kloof tussen gesimuleerde en experimentele data, maar stellen dat hun benadering een robuuste fundering biedt voor het schalen van geautomatiseerde opheldering over de drug-like chemische ruimte.