利用人工智能实现骨架 NMR 数据的自动分配
利用迭代自训练的深度学习模型,我们提出了一种预测原子二维核磁共振(NMR)位移并标记实验光谱峰值的方法,该方法能准确处理中等和大分子,包括多糖。
Mar, 2024
通过使用人工智能的智能信号处理方法,我们展示了人工智能在核磁共振应用中超越传统技术的新机遇。我们开发和训练了几个人工神经网络,应用在我们的新工具箱 MR-Ai 中,解决了三个 “不可能” 的问题:仅使用传统 Echo/Anti-Echo 方案中 Echo(或 Anti-Echo)调制进行象限检测;获取由任何给定方法处理的光谱中每个点信号强度的不确定性;以及定义一个无需参考的评分来定量评估核磁共振光谱质量。我们的发现突显了人工智能技术改变核磁共振处理和分析的潜力。
May, 2024
本文提出了一种在无需进行结构阐明的情况下,利用核磁共振(NMR)数据直接对化合物进行分类的方法,使用卷积神经网络(CNN)进行分类,并表明深度学习可以解决化学信息学中的自动化问题。
Nov, 2022
利用 E (3) 等变图神经网络预测碳水化合物核磁共振光谱,并取得了显著的平均绝对误差降低,为了加速制药应用、生物化学和结构生物学的研究,提供更快速、可靠的分子结构分析,进一步迈向一个数据驱动的光谱学新时代。
Nov, 2023
本文介绍了使用多级多模态对齐与知识引导的实例判别(K-M3AID)在核磁共振(NMR)光谱中建立分子结构与谱图之间的有意义对应关系,通过图层对齐模块、节点对齐模块和通信通道,实现了跨模态对齐的高准确性,证明了在节点对齐中获得的技能对图层对齐具有积极影响,成功解决了结构信息和复杂 NMR 场景中光谱数据之间的差距问题。
Nov, 2023
CloudBrain-NMR 是一个智能在线云计算平台,旨在为核磁共振数据的读取、处理、重建和定量分析提供便利,使用并行计算和深度学习算法,无需额外软件,大大缩短了计算时间,提供了完整的处理流程。
Sep, 2023
分子表示学习(MRL)是一种将分子转化为数值表示并保留其化学特性的功能强大的工具,在机器学习和化学科学之间架起了桥梁。在糖科学领域,MRL 方法的探索相对较少,这主要归因于糖特定数据集的有限可用性和缺乏针对糖数据所提出的机器学习流程。为了解决这个挑战,推动糖科学的进展,丰富 MRL 社区的数据资源,我们引入了 GlycoNMR,其包含两个经过精心策划的数据集,共有 2,609 个糖结构和 211,543 个标注的核磁共振(NMR)化学位移以进行精确的原子级预测。我们针对这个问题定制了特定于糖的功能并改进了现有的 MRL 模型,在我们的新数据集上对四种修改后的 MRL 模型进行了基准测试。
Nov, 2023
设计合理的蛋白质序列和结构是至关重要的,我们提出了一种基于功能位点的 NAEPro 模型,该模型通过网络注意力和等变层来联合设计蛋白质序列和结构,在两个层次上进行有效而经济的信息传递,实验证明该模型能够设计出与自然蛋白质序列和结构非常相似且具有高度效能的蛋白质。
Oct, 2023
讨论了 RNA 和 RNA 的二级结构及其预测的基本概念,以及机器学习技术在预测生物大分子结构中的应用,并提出了基于 ResNet 的 RNA 三级结构预测算法和打分模型。
Apr, 2024