机器学习系统解码有机晶体的核磁共振谱

这一突破消除了更广泛应用固态核磁共振 (NMR) 光谱的主要技术瓶颈之一，该技术用于通过测量由发射的频率来确定分子和材料的化学结构、3D 结构和动力学。在强磁场中暴露于无线电波的原子核。

第一作者、瑞士洛桑联邦综合理工学院的博士生曼努埃尔科尔多瓦在一份声明中说：“这种方法可以通过简化这些研究的重要第一步来显着加速核磁共振对材料的研究。”

所讨论的基本第一步称为“化学位移分配”，它涉及将 NMR 光谱中的每个峰分配给所研究的分子或材料中的给定原子。

“通过实验获得分配可能具有挑战性，通常需要耗时的多维相关实验，”作者指出。“确定分配的另一种解决方案涉及实验化学位移数据库的统计分析，但不存在用于分子固体的此类数据库。”

五年前，研究团队开发了 ShiftML，这是一种机器学习模型，可预测分子固体中的化学位移。ShiftML 通过将实验化学位移与使用密度泛函理论(一种计算量子力学建模方法)计算的位移进行比较来训练。训练后，系统无需执行额外的量子计算即可对新结构进行准确预测。

在当前的论文中，研究人员将 ShiftML 应用于剑桥结构数据库 (CSD)，这是一个由剑桥大学维护的超过 200,000 个 3D 有机结构的数据库。

研究人员使用 ShiftML 来预测从 CSD 中提取的 200,000 多种化合物的位移，从而为每个独特的拓扑原子环境生成化学位移的统计分布。这些环境被建模为图形，顶点代表原子，边代表共价连接。当原子对中原子之间的距离小于所涉及原子的共价半径总和的 1.1 倍时，原子对被确定为共价键合。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！