https://chemrxiv.org/doi/10.26434/chemrxiv.15006080/v1

Коллеги из 🏛ИОНХ РАН, 🏛ИНЭОС РАН и Университета Барселоны выложили препринт про BLIND (Bimodal Learning from Imperfect NMR Data) — трансформер, который переводит спектры ¹H и/или ¹³C ЯМР напрямую в молекулярную структуру (SMILES).

Что делает работу интересной:

Модель не получает ни брутто-формулу, ни набор возможных фрагментов, ни элементный состав — только то, как спектр записан в статье («7.85–7.81 (m, 3H)…»). Это гораздо честнее большинства предыдущих подходов.

Учили на реальных, "грязных" данных. Стартовали с 7.5 млн (!!) записей спектров, извлечённых из литературы через базу OdanChem. После минимальной фильтрации (только CDCl₃ в качестве растворителя, удаление дубликатов и явных выбросов) осталось 5.5 млн спектров для 2.6 млн уникальных структур. Разбивка по уникальным структурам, строго без утечек между наборами.

Обучающая выборка состояла из 1.82 млн уникальных SMILES, 1.89 млн ¹³C- и 2.0 млн ¹H-спектров. При этом избыточности почти нет — в среднем 1.2 спектра на молекулу, то есть модель учится обобщать буквально с одного измерения на соединение. Выборку намеренно не чистили до нейтральной органики, как это обычно бывает в хемоинформатике, и оставили редкие элементы (Se, Fe, Te…), соли и комплексы.

Та же модель, обученная только на идеальном подмножестве (2 млн записей), даёт 48.4%, а обученная на всём хаосе — 56.7% на тех же тестах. Реальный шум дает разнообразие, которое помогает обобщать.

🔥Онлайн-версия доступна на https://odanchem.org/predict-multimodal-compound-search