Nov, 2022

从 NMR 谱直接推导化学类别

PDF
TL;DR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。
nmr datachemical compoundsstructure elucidationconvolutional neural networkdeep learning
发现论文，激发创造
  • 溶剂感知的 2D NMR 预测：利用多任务训练和迭代自训练策略

    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

  • 利用人工智能实现骨架 NMR 数据的自动分配

    本研究旨在设计一种算法，通过实施贪心和 A * 搜索等 AI 策略，自动化分析骨架蛋白 NMR 数据，以解决后基因组时代在了解新发现基因编码的许多未知蛋白质的结构和功能信息方面所面临的挑战。

    Jun, 2015

  • 基于卷积神经网络的光谱数据数据增强与深度化学计量学研究

    使用深度学习方法，利用近红外光谱数据，通过卷积神经网络从光谱数据中提取特征，数据预处理使用了标准的扩展乘性散射校正和新的光谱数据增强方法进行基准测试，结果表明数据扩增并结合扩展乘性散射校正的组合效果最佳。卷积神经网络模型在使用第二台仪器和未被训练数据覆盖的分析物浓度创建的外推挑战中表现优异，同时定性研究表明 CNNs 核激活与著名的数据处理方法（如平滑、斜率 / 导数、阈值和光谱区域选择）相似。

    Oct, 2017

  • 深度学习作为核磁共振信号反演的方法

    深度学习用于 NMR 信号反演，通过卷积神经网络将 NMR 信号反演看作图像到图像的回归问题，与 Tikhonov 和 MTGV 等正则化技术相比，深度学习具有明显的效率和易用性优势，因为在重建之前不需要进行超参数选择。通过对模拟 NMR 信号进行反演并与 Tikhonov 和 MTGV 正则化进行比较，结果显示深度学习的反演速度显著快于后两种正则化方法，并在几乎所有情况下优于这两种正则化技术。

    Nov, 2023

  • 利用注意力机制神经网络绘制化学反应空间地图

    通过使用基于变换器的模型，可以从不带注释的简单文本化学反应表示中推断出反应类别，并可用作反应指纹，其分类准确率达到了 98.2%，而且较之传统反应指纹更好地捕捉反应类别之间的差异。

    Dec, 2020

  • ChemGrapher：基于深度学习的化学化合物光学图形识别

    本研究利用机器学习中的深度神经网络模型对化学图像进行自动识别和转化，以解决传统工具在检测链的多样性及立体化学信息时产生的错误和丢失原子等问题，并能迅速处理大量图像，从而在药物发现等方面具有重要应用价值。

    Feb, 2020

  • 深度张量神经网络从量子化学角度的洞见

    本文提出了一种基于深度张量神经网络（DTNN）的方法，可以实现空间和化学分辨率高的分子系统在量子力学观测量方面的分析，此方法可以用于预测分子的原子能和局部化学势，同位素能和分子的电子结构，为揭示复杂的量子化学体系提供了新的突破。

    Sep, 2016

  • MolGrapher 化学结构的基于图的可视化识别

    该研究提出了 MolGrapher 方法，通过视觉识别化学结构，构建分子的自然图形表示，并利用图神经网络分类分子中的原子和键节点。实验证明该方法在大多数情况下明显优于传统和基于学习的方法，可用于加快新材料和药物的发现。

    Aug, 2023

  • 学习 SMILE (S)

    该论文证明了可以直接将自然语言处理方法应用于化学信息学的分类问题中，并通过 SMILES 化合物的标准文本表示考虑了这些看似不相关的领域之间的联系。研究了针对目标蛋白的活性预测问题，这是计算机辅助药物设计过程中的关键部分。实验结果表明，这种方法不仅能够超越手动制作表示结果的最高水平，还直接获得结构洞见以了解决策的制定方式。

    Feb, 2016

  • 小数据量下的 NMR 位移预测

    本研究使用机器学习方法预测小分子在特定溶剂中的 19F 和 13C NMR 化学位移，通过一种新颖的机器学习模型，即使使用比较少的数据也能够达到较好的结果。

    Apr, 2023