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

Este artigo apresenta uma estrutura de aprendizado profundo baseada na arquitetura transformer que alcança com sucesso a elucidação automatizada de estruturas de novo para moléculas orgânicas com até 40 átomos não-hidrogênio utilizando apenas espectros de RMN de $^1$H e $^{13}$C unidimensionais, identificando corretamente a molécula alvo dentro das 15 principais previsões em 60,4% dos casos.

O essencial

Imagine que você é um detetive tentando resolver um mistério, mas em vez de encontrar impressões digitais ou uma testemunha, você tem apenas uma fotografia borrada da sombra do suspeito. Seu trabalho é reconstruir todo o rosto, corpo e vestimenta do suspeito apenas a partir dessa única sombra.

Isso é essencialmente o que os químicos enfrentam quando tentam descobrir a estrutura de uma nova molécula usando apenas espectroscopia RMN 1D.

O Quebra-Cabeça Impossível

No mundo da química, uma molécula é como uma estrutura complexa de Lego. Para uma molécula de tamanho médio (uma com cerca de 36 a 40 átomos "pesados" como carbono, nitrogênio ou oxigênio), existem mais maneiras possíveis de encaixar esses Legos do que grãos de areia em todas as praias da Terra. O artigo estima que esse número esteja entre $10^{20}$ e $10^{60}$.

Tradicionalmente, descobrir qual estrutura específica de Lego você tem usando apenas uma "sombra" 1D de RMN (um espectro) era considerado impossível. É como tentar adivinhar o arranjo exato de um bilhão de peças de Lego apenas olhando para uma única sombra plana. Geralmente, os químicos precisam de mais pistas, como o RMN 2D (que fornece um mapa 3D) ou saber a lista exata de ingredientes (a fórmula molecular) para resolver o quebra-cabeça.

O Detetive de IA

Os pesquisadores deste artigo construíram um detetive de IA superinteligente (um modelo "Transformer", o mesmo tipo de tecnologia por trás de muitos chatbots modernos) que pode resolver este quebra-cabeça usando apenas a sombra de RMN 1D.

Veja como eles treinaram essa IA, usando um processo inteligente de duas etapas:

Etapa 1: Aprendendo a Linguagem das Formas (Pré-treinamento)
Antes que a IA pudesse olhar para as sombras de RMN, eles a ensinaram um jogo diferente. Deram a ela "impressões digitais de Morgan" — que são como códigos de barras digitais que descrevem as pequenas partes (fragmentos) de uma molécula — e pediram à IA que construísse a estrutura completa do Lego a partir desses códigos.

• A Analogia: Imagine ensinar uma criança a construir uma casa mostrando a ela uma lista de tijolos (janelas, portas, paredes) e pedindo que ela monte a casa.
• O Resultado: A IA tornou-se uma mestre construtora. Ela conseguia olhar para uma lista de fragmentos e reconstruir a casa completa 97,8% das vezes.

Etapa 2: O Teste Real (Espectro para Estrutura)
Uma vez que a IA era uma mestre construtora, eles a ensinaram a tarefa real: olhar para a "sombra" de RMN e adivinhar a estrutura do Lego diretamente.

• Eles não deram a ela a lista de ingredientes (a fórmula molecular).
• Eles não deram a ela um mapa 3D.
• Eles deram apenas o espectro de RMN 1D.

Os Resultados: Resolvendo o "Irresolvível"

A IA realizou milagres nesta tarefa impossível:

• Precisão: Para moléculas de até 40 átomos de comprimento, a IA adivinhou a estrutura correta dentro de suas 15 melhores sugestões cerca de 60% das vezes.
• A "Sombra" vs. O "Mapa": Mesmo que a IA não tenha acertado a resposta exata, ela estava geralmente muito próxima. Se ela errasse o palpite, a estrutura sugerida era frequentemente 82% semelhante à molécula real. É como o detetive adivinhar que o suspeito está usando um chapéu vermelho em vez de um azul, mas acertar o restante da roupa.
• Um Olho é Suficiente: Surpreendentemente, a IA conseguiu realizar a maior parte desse trabalho usando apenas o espectro de RMN de Hidrogênio (1H), sem precisar dos dados de Carbono (13C). Ela acertou a resposta correta 46,6% das vezes em suas 15 melhores sugestões.
• Adaptabilidade ao Mundo Real: A IA foi treinada em simulações de computador, mas os pesquisadores mostraram que ela pode ser "ajustada" (fine-tuned) com apenas 50 espectros experimentais reais. Mesmo com essa pequena quantidade de dados reais, ela saltou de 0% de precisão em dados reais para 21,5% de precisão.

Por Que Isso Importa

Pense no espaço químico como uma biblioteca com $10^{60}$ livros. Encontrar o livro específico que você precisa lendo apenas a capa (o espectro de RMN 1D) era considerado impossível. Esta IA não apenas encontra o livro; ela reduz a busca para uma pequena pilha de 15 livros, dos quais 6 são provavelmente o que você deseja.

O artigo conclui que esta ferramenta permite que os cientistas pulem as etapas caras e demoradas de obter dados mais complexos. Ela atua como um filtro poderoso, estreitando rapidamente as possibilidades infinitas de estruturas químicas para um grupo gerenciável, tudo baseado nos dados mais simples e comuns disponíveis em um laboratório de química.

Resumo técnico

Resumo Técnico: Expandindo os Limites da Espectroscopia de RMN Unidimensional para a Elucidação Automatizada de Estruturas Usando Inteligência Artificial

Definição do Problema
A espectroscopia de RMN unidimensional (1D) é uma ferramenta primária para a caracterização de compostos orgânicos; no entanto, determinar a estrutura completa de uma molécula (fórmula e conectividade) a partir de apenas espectros de RMN de ¹H e/ou ¹³C — conhecido como geração de estrutura de novo — é tradicionalmente considerado intratável para moléculas com mais de alguns átomos. Isso se deve à explosão combinatória do espaço químico, onde o número de estruturas possíveis para moléculas com até 3akes 36 átomos não hidrogenados varia de $10^{20}$ a $10^{60}$. As abordagens existentes de elucidação de estrutura assistida por computador (CASE) geralmente requerem dados adicionais (ex: RMN 2D, HR-MS, fórmulas moleculares) ou dependem do cruzamento com bibliotecas de candidatos, o que limita sua aplicabilidade a novos compostos ou situações em que tal contexto não está disponível. Os métodos atuais de aprendizado de máquina frequentemente falham em abordar a tarefa completa espectro-para-estrutura sem etapas intermediárias ou informações de condicionamento extensas.

Metodologia
Os autores propõem um framework de aprendizado profundo de ponta a ponta baseado em arquiteturas de transformer para resolver as tarefas de espectro-para-estrutura e espectro-para-subestrutura usando apenas espectros de RMN de ¹H e ¹³C, sem a necessidade de fórmula molecular ou outros dados contextuais.

1. Pré-treinamento (Subestrutura-para-Estrutura): O framework utiliza uma fase de pré-treinamento onde um modelo de transformer aprende a reconstruir strings SMILES a partir de impressões digitais de Morgan (vetores binários representando subestruturas moleculares). Esta tarefa condiciona o modelo nas semânticas e na validade sintática das representações moleculares. O modelo foi treinado em 88 milhões de strings SMILES únicas do PubChem (até fevereiro de 2025) contendo até 40 átomos pesados (C, N, O, H, B, P, S, Si, F, Br, Cl, I).
2. Arquitetura Multitarefa: Os pesos pré-treinados são transferidos para inicializar o ramo de elucidação de estrutura de um modelo multitarefa.
   • Entrada: O modelo recebe espectros de RMN de ¹H (codificados via uma rede neural convolucional) e deslocamentos químicos de ¹³C (representação de incorporação/embedding).
   • Processamento: Uma representação latente combinada é enviada para dois ramos paralelos:
     • Um ramo de elucidação de subestrutura (encoder transformer de 4 camadas) que prevê a probabilidade de fragmentos moleculares específicos estarem presentes.
     • Um ramo de predição de estrutura (transformer encoder-decoder de 8 camadas) que gera a string SMILES de forma autorregressiva.
3. Dados de Treinamento: O modelo multitarefa foi treinado em um conjunto curado de 2 milhões de moléculas (selecionadas do pool de 88M para garantir diversidade e evitar vazamento de dados) com espectros de RMN de ¹H e ¹³C simulados via preditores ACD/Labs.

Resultos Principais

• Desempenho Subestrutura-para-Estrutura: O modelo de pré-treinamento alcançou uma acurácia Top-15 de 97,8% na reconstrução de strings SMILES a partir de impressões digitais de Morgan para moléculas de até 40 átomos pesados. Mesmo para as maiores moléculas (40 átomos pesados), a acurácia permaneceu alta (88,8%), e as predições incorretas apresentaram alta similaridade de Tanimoto (MTS médio de 0,82 em relação ao alvo, indicando que o modelo recupera informações estruturais substanciais mesmo quando falha na reconstrução exata).
• Desempenho Espectro-para-Estrutura: O framework multitarefa alcançou uma acurácia de estrutura Top-15 de 60,4% no conjunto de teste usando apenas espectros de RMN de ¹H e ¹³C. Este desempenho foi mantido em toda a gama de tamanhos de moléculas (10–40 átomos pesados), apesar do espaço químico crescer em mais de 30 ordens de magnitude dentro deste intervalo.
  • Usando apenas espectros de RMN de ¹H, resultou em uma acurácia Top-15 de 46,6%.
  • Usando apenas espectros de RMN de ¹³C, resultou em uma acurácia Top-15 de 19,4%.
  • O pré-treinamento melhorou a acurácia de estrutura Top-15 em 22 pontos percentuais em comparação com o treinamento a partir de inicialização aleatória.
• Cobertura Elemental: O modelo generalizou com sucesso para elementos além de C, N, O e H, incluindo P, S, Si, B e halogênios. Embora a acurácia varie por elemento (ex: maior para S, menor para P devido à diversidade de valência), o modelo demonstrou capacidade de prever estruturas contendo elementos raros (ex: B, I) com acurácias superiores a 20%.
• Predição de Subestrutura: O modelo alcançou um F1 score de 0,84 para a predição de subestrutura. As predições foram altamente confiantes, com 98,1% das probabilidades fora do intervalo 0,1–0,9.
• Validação Experimental: Quando ajustado (fine-tuned) em um pequeno conjunto de 50 espectros experimentais do BMRB, o modelo alcançou uma acurácia de estrutura Top-15 de 21,5% em dados experimentais de teste, uma melhoria significativa em relação à acurácia zero-shot de 0,0%, enquanto manteve seu desempenho em dados simulados.
• Geração de Candidatos: Nos casos em que a estrutura exata não foi prevista, a melhor predição incorreta do modelo foi frequentemente mais próxima da molécula alvo do que qualquer molécula encontrada no conjunto de treinamento de 85 milhões de moléculas do PubChem (Posição Top-1 em 32,2% das falhas para sistemas de 40 átomos pesados).

Significância e Alegações
O artigo afirma que este framework supera a escala combinatória do espaço químico para permitir a geração de estrutura de novo automatizada usando apenas dados rotineiros de RMN 1D. Ao alavancar insights de processamento de linguagem natural e arquiteturas de transformer, os autores demonstram que é possível prever a molécula correta com 60,4% de acurácia dentro das primeiras 15 predições para sistemas com até 40 átomos pesados.

Os autores posicionam este trabalho como um passo fundamental para a elucidação de estrutura totalmente automatizada. Eles argumentam que o framework:

1. Remove o gargalo de exigir RMN 2D complexos ou fórmulas moleculares para a geração inicial de estrutura.
2. Fornece uma alternativa computacionalmente eficiente às buscas de força bruta ou algoritmos genéticos iterativos.
3. Oferece uma capacidade de "modelo fundamental", onde o pré-treinamento em grandes conjuntos de dados permite o ajuste fino eficaz em pequenos conjuntos de dados experimentais.
4. Gera moléculas candidatas de alta qualidade que podem restringir o espaço de busca química mesmo quando a estrutura exata não é identificada imediatamente, podendo servir como sementes para métodos de busca mais exaustivos ou ferramentas CASE.

Os autores reconhecem desafios remanescentes, incluindo a determinação estereoquímica e a lacuna entre dados simulados e experimentais, mas afirmam que sua abordagem fornece uma base robusta para escalar a elucidação automatizada através do espaço químico de propriedades farmacológicas (drug-like).