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

Chemici vertrouwen al lang op een reeks instrumenten om te achterhalen hoe een molecuul eruitziet, simpelweg door te luisteren naar hoe het vibreert of hoe de atomen reageren op magnetische velden. Deze instrumenten, bekend als spectroscopie, produceren complexe patronen van lijnen en pieken die fungeren als een unieke vingerafdruk voor elke chemische stof. Decennialang hebben wetenschappers geprobeerd computers te leren deze vingerafdrukken te lezen en direct de bijbehorende moleculaire structuur te tekenen, een proces dat structuuronderscheid (structure elucidation) wordt genoemd. Hoewel vroege pogingen enorme hoeveelheden menselijke hulp en extra gegevens vereisten om te werken, was het doel altijd geweest om een systeem te creëren dat naar een rauw spectrum kan kijken en je simpelweg de vorm van het molecuul kan vertellen, net zoals een menselijke expert dat zou doen, maar dan met perfecte snelheid en consistentie.

Een team van onderzoekers heeft nu een nieuw soort computerprogramma gebouwd dat dichter bij dit doel komt dan ooit tevoren, met behulp van een methode die bijna geen externe hulp vereist. In plaats van de computer een lijst met mogelijke antwoorden te voeren of extra chemische feiten toe te voegen om hem te begeleiden, lieten de onderzoekers de machine rechtstreeks naar de ruwe gegevens van drie verschillende soorten spectroscopie kijken: infrarood licht, Raman-licht en kernmagnetische resonantie. Ze ontwierpen een lichtgewicht systeem dat twee krachtige soorten kunstmatige intelligentie combineert. Het eerste deel fungeert als een filter, dat de ruwe lijnen van het spectrum scant om belangrijke patronen te vinden. Het tweede deel fungeert als een vertaler, die die patronen neemt en ze opschrijft als een tekstreeks die de vorm van het molecuul beschrijft. Dit tekstformaat, bekend als een SMILES-string, is een standaardmanier waarop chemici structuren opschrijven zodat computers ze kunnen lezen.

De resultaten van dit nieuwe systeem zijn verrassend sterk. Wanneer het werd getest op gesimuleerde gegevens, kon het model de structuur van een molecuul correct identificeren op basis van alleen het infrarode spectrum in ongeveer 69 procent van de gevallen. Wanneer het alleen het Raman-spectrum gebruikte, steeg de nauwkeurigheid naar bijna 78 procent. De kernmagnetische resonantie-gegevens waren alleen minder nuttig en hadden het antwoord in ongeveer 38 procent van de gevallen goed. Echter, wanneer de onderzoekers alle drie de soorten gegevens combineerden, werd het systeem ongelooflijk precies en kreeg het de juiste structuur in 84 procent van de gevallen bij de allereerste gok. Als de onderzoekers de computer toestonden om vijf gokken te doen en de beste te kiezen, schoot het succespercentage omhoog naar meer dan 96 procent. Deze cijfers vertegenwoordigen een significante sprong voorwaarts omdat het systeem deze resultaten bereikte zonder pre-verwerkte gegevens, chemische formules of externe databases te gebruiken om het antwoord af te leiden.

Om het systeem nog beter te maken, voegden de onderzoekers een speciale trainingsstap toe die de computer leerde wat hij niet moest doen. Nadat het model zijn eerste gokjes had gedaan, bekeken de onderzoekers de fouten die het maakte en toonden ze die fouten opnieuw aan de computer, met de instructie om die specifieke foute paden in de toekomst te vermijden. Dit proces, dat zij 'unlikelihood fine-tuning' noemen, dreef de nauwkeurigheid nog verder omhoog. Bijvoorbeeld, wanneer het alle drie de spectra samen gebruikte, was de topgok van het model in 84,23 procent van de gevallen correct, en als er vijf gokken waren toegestaan, was het 96,27 procent van de tijd juist. Deze verbetering vond plaats zonder nieuwe chemische kennis toe te voegen, wat bewees dat het model simpelweg leerde om voorzichtiger te zijn door te studeren op zijn eigen eerdere fouten.

De onderzoekers namen ook de tijd om te begrijpen hoe de computer denkt, door in de "black box" te kijken om te zien welke delen van de gegevens het belangrijkst waren. Ze ontdekten dat het Raman-spectrum de belangrijkste aanwijzing was, die het meeste gewicht droeg in het helpen van de computer bij het beslissen over de algemene vorm van het molecuul. Het infrarode spectrum was de tweede belangrijkste factor, terwijl de kernmagnetische resonantie-gegevens een kleinere rol speelden. Verrassend genoeg behandelde de computer de drie databronnen niet op elk stap even gelijkwaardig. In plaats daarvan leek het systeem de Raman-data te gebruiken om het hoofdgeraamte van het molecuul te bouwen, vervolgens de infrarooddata te gebruiken om specifieke groepen atomen te identificeren, en tot slot de kernmagnetische resonantie-data te gebruiken om de verbindingen te controleren.

Een bijzonder interessante ontdekking was hoe de computer de allereerste stap van zijn denkproces afhandelde. Het systeem begint met het genereren van een speciaal startsymbool, dat fungeert als een vlag om de rest van het programma te vertellen wat voor soort molecuul het bekijkt. De onderzoekers vonden dat dit startsymbool moleculen die een gesloten ring vormen effectief scheidt van moleculen die slechts open ketens zijn. Voordat de computer zelfs begint met het uitschrijven van de volledige structuur, heeft dit enkele startpunt al bepaald of het molecuul circulair of lineair is, wat fungeert als een globaal anker dat het hele proces stuurt. Dit inzicht suggereert dat het model een fundamentele regel van de chemie heeft geleerd: de algemene vorm van een molecuul bepaalt hoe de onderdelen in elkaar passen.

Het team hield niet op bij gesimuleerde gegevens; ze testten hun systeem ook op echte experimentele spectra uit standaard chemische databases. Zelfs met de rommelige, imperfecte gegevens die in echte laboratoria worden gevonden, presteerde het model goed. Op een dataset van duizenden echte infrarode spectra identificeerde het systeem de structuur correct op de eerste poging in ongeveer 22 procent van de gevallen, en verbeterde dit naar meer dan 38 procent wanneer vijf gokken werden toegestaan. Hoewel dit lager is dan de prestaties op perfecte gesimuleerde gegevens, bewijst het dat het systeem de ruis en complexiteit van de echte wereld kan aan. De onderzoekers merkten op dat het systeem nog steeds worstelt met bepaalde moeilijke taken, zoals het exact tellen van hoeveel koolstofatomen er in een lange keten zitten, wat een uitdaging blijft voor elke methode die uitsluitend op deze spectra vertrouwt.

Dit werk demonstreert dat het mogelijk is om een krachtig hulpmiddel voor het identificeren van chemicaliën te bouwen dat bijna volledig rust op de ruwe gegevens zelf, vrij van de zware beperkingen van eerdere methoden. Door een eenvoudige, efficiënte architectuur te combineren met een slimme manier om te leren van fouten, hebben de onderzoekers een systeem gecreëerd dat een nieuwe standaard voor nauwkeurigheid zet. De bevindingen suggereren dat hoewel we nog geen perfecte machine hebben die elk moleculair puzzelstukje direct kan oplossen, we bewegen naar een toekomst waarin computers de taal van licht en magnetisme kunnen lezen met een helderheid die die van menselijke experts evenaart, wat een betrouwbaar en interpreteerbaar pad biedt voor chemische analyse.