将这回“AI做科学”的话题, 压至化学家每日都会碰到的一项具体工作之上: 那便是读NMR谱图, 进而判断分子结构。

关于从事合成、药物、材料或者化学工具方面工作的那群人而言, 这桩事情是极为熟悉的。单个分子是无法看见的, 化学家仅能够借助谱图、结构式以及论文之中的实验描述来彼此进行校验。在这儿要是存在任何一样读错了的情况, 那么就极有可能会将那些“看上去大致一样”的分子判定成为另外完全不同的东西。

然而, 其结论表现得十分克制, 即便是这样, 它依旧无法替代化学家, 不过, Opus 4.7 在一部分日常谱图分析的任务当中, 已然能够接近甚至超过 、 这类专业工具。

这次评测看的是化学家最常用的一类输入

NMR, 其全称为核磁共振谱, 它作为确认小分子结构的相关工具, 是众多工具里较为常见的, 同时也是较为耗费时间的其中一个工具。

化学家通常要做两件事：

任务

输入是什么

难点

正向预测

给定结构或mestrenova mac，预测 NMR 峰会出现在哪里

判断实验谱图是否匹配目标产物

反向解析

给定 NMR / HRMS 数据，反推可能的分子结构

需要专家把片段、峰位和化学常识连起来

与, 主要侧重于正向预测: 描绘出结构, 运用软件模拟得出谱图, 接着与实验成果进行对照。更为困难的是反向解析, 即仅仅依据谱图以及分子式, 推断出可能的结构候选。

这恰恰是, 想要进行测试的所在之处: 它可不可以, 从化学家已然具备的寻常1D NMR峰表以及高分辨质谱数据当中, 作出能够使用的判断。

20 个化合物，四类 NMR 难题

Four

挑题并非是从模型有可能见过的旧时材料那里进行评测, 而是从模型训练截止以后才发布的合成, 化学预印本之中来挑选, 挑出了20个已经被完整表征的新化合物, 将这些用来做正向预测。

这 20 个化合物进行分类, 被分成四类骨架, 每一类有 5 个, 这些分类覆盖了各不相同的 NMR 挑战。

参与评选的工具涵盖, Opus 4.7、Opus 4.6、4.6, 还有以及和。为每一个化合物进行三次的运行并求取平均值, 而传统软件呈现出的是确定性的输出结果。

这绝非大规模的用来做准则衡量的化学方面的测试, 而是更偏向于一种与日常实验室开展的任务较为贴近的能力方面的抽样。

Opus 4.7 在氢谱上最准，碳谱上接近

MAE/RMSE

其结果最为直观突出的一点在于, 在针对1H NMR氢谱进行预测时, Opus 4.7所呈现出的平均误差为0.079 ppm, 此数据在参与评估的工具当中是处于最低水准的, 并且显著地落入到了化学家们通常所能接受的±0.20 ppm这一范围之内。

在13C NMR碳谱之上, Opus 4.7的平均误差为1.37 ppm, 为1.48 ppm, 其间两者大体相近, 4.6以及Opus 4.6的表现却位列于后。

还提及了一个更为细致的要点, 氢谱当中存在一些峰, 并非仅仅依据“位置”来判断, 还得考量分裂模式以及峰间距。Opus 4.7 在分裂模式匹配上展现出了最为出色的表现；对于 J-峰间距, 三个模型进行预测时, 大约有 80%能够落在 0.5 Hz 以内, 然而“和”“和”却大概只有 26%到 35%。

这表明, 其具备的优势并非仅仅局限于“猜一个数字”, 而是能够将峰位、峰形以及化学上下文一同进行推理。

更有意思的是反向：从谱图推结构

针对 Opus 4.7 又一次处理了 15 道反向解析题目, 这些题目要求输入分子式、氢谱、碳谱以及高分辨质谱, 进而让模型给出最多 3 个候选。

在这些当中, 存在着8个相对而言较为简单的目标, 仅仅只是给予了谱图以及分子式。Opus 4.7每一次都将正确的结构给找回来了。

除此以外, 还有 7 个结构更为密集的目标, 其中涵盖了稠环、螺环等更为复杂的骨架。对于这些题目, 额外给出了起始原料的相关内容, 然而却并未给出反应条件、试剂、机理或者产物类别。Opus 4.7 针对其中 4 个目标三次全都答对了, 其余剩下的几个目标也能够是在三次里面答对两次。

这部分信息具备相当的关键性, 传统软件一般而言, 需要借助2D NMR, 以及经过专业训练，并且使用授权工具, 才能够开展结构解析, 其所处理的是化学家能够直接粘贴到聊天窗口当中的普通数据。

它所具备的价值在于, 将一部分“先助力我判定方向”的工作, 预先予以自动化处理, 并非是越过2D NMR以及人工确认这一环节。

适合怎么用mestrenova mac，不适合怎么夸大

围绕这篇文章而言, 其最具备值得留存意义的边界存在之处, 就在于并未将最终结果包装成“已然成为化学领域专家”这种情况。

可以把它理解成一个实用工具信号：

并且也清晰表明, 接下来会持续着手去做几类, 化学方面的瓶颈, 分别是, 读图以及结构表示的转换, 反应与合成的推理, 反应机理的解释, 化学文献的理解。

对于化学家而言, 这类模型最为现实的运用方式是, 首先协助人们更迅速地罗列候选, 接着检查谱图, 随后发现不一致之处, 而最终的结构判断依旧由研究者来承担责任。

一句话总结

围绕这篇文章, 其真正具备实用价值之处, 在于将AI化学助手, 从那种宏大的叙事范畴, 拉回到了一个特定的具体场景里, 而这个场景则是NMR谱图分析。

若后续样本规模出现扩大情况后, 依旧能够保持类似的表现, 那么这类通用模型会首先进入到化学家的日常辅助工作当中, 这些工作包括读谱, 还有查文献, 以及转结构, 另外还有排除错误候选, 而并非一开始就去替代完整的科研判断:

如有侵权请联系删除！