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

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

本文提出了一种基于机器学习的策略来预测分子红外光谱的方法，建立在从头分子动力学模拟的基础上，利用各种机器学习技术加速模拟并扩展可处理的系统大小，其中包括环境依赖性神经网络电荷的分子偶极矩模型和 Behler 和 Parrinello 的神经网络势能。通过引入完全自动化的采样方案和神经网络势能训练期间的分子力，我们能够仅基于少量的电子结构参考点来获得非常精确的机器学习模型，同时在甲醇分子，含有多达 200 个原子的正构烷和质子化的丙氨酸三肽的情况下，将其应用于模拟红外光谱，并发现与理论和实验光谱具有出色的一致性。

May, 2017

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

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

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

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

D&D 是一种自监督的分子表示学习框架，通过从 3D 去噪器中提炼的表示来预训练 2D 图形编码器，并在下游任务中无需准确的构象器获得 3D 信息和卓越的性能。

Sep, 2023

通过提取三维特征和使用对比学习的方法，我们的研究提出了一种名为 3D-Mol 的新型三维结构分子建模方法，用于准确表示空间结构，并在 7 个基准测试中展示了出色的性能。

Sep, 2023

使用基于机器学习的方法，对 20,000 个小有机分子的低 - 激发垂直电子光谱进行了预测，并通过 CC2 频谱和基于 TD-DFT 方法的频谱偏差进行训练，发现通过所得数据可以更准确地进行预测。

Apr, 2015