【儀表網(wǎng) 研發(fā)快訊】電子圓二色光譜(electronic circular dichroism，ecd)作為一種關鍵的光譜技術，具有用量少、易測定等優(yōu)點，在不對稱催化、功能材料和藥物發(fā)現(xiàn)等領域有重要且廣泛的應用，已成為探索手性分子空間絕對構型的有力工具。然而，圓二色光譜的理論計算往往復雜且耗時，成為化學研究和藥物開發(fā)中的時間瓶頸。隨著人工智能的發(fā)展，使用機器學習自動化預測分子光譜的技術得到研究者們的廣泛關注。當前，在分子光譜預測研究中，基于連續(xù)序列預測的自回歸模型在一些任務中展現(xiàn)了出色的性能與發(fā)展?jié)摿ΑＨ欢鴪A二色譜特征信息稀疏，直接采用連續(xù)序列建模會學到很多無關噪聲，造成模型過擬合，不具有泛化能力。
 

　　近日，北京大學莫凡洋課題組、袁粒課題組與廈門大學王忻昌課題組合作，在Nature Computational Science上發(fā)表了題為“Decoupled peak property learning for efficient and interpretable electronic circular dichroism spectrum prediction”的研究論文。
 

論文截圖
 

　　該研究針對手性小分子圓二色光譜的DFT計算耗時、費力且具有高專業(yè)門檻的問題，通過將連續(xù)的光譜預測任務轉換為離散表示的光譜峰表征學習任務，實現(xiàn)了以圓二色光譜為代表的若干分子光譜和質(zhì)譜的快速、準確和通用預測，并通過多種手性天然產(chǎn)物分子驗證其可靠性。
 

　　研究團隊提出創(chuàng)新性深度學習模型ECDFormer，將連續(xù)光譜序列按光譜峰的屬性信息解耦為離散令牌組合形式，并使用查詢變量進行自注意力機制的光譜屬性學習，從而構建光譜峰結構與分子官能團之間的聯(lián)合表征。在預測階段，本工作首先學習分子拓撲結構表征，進而基于光譜-分子結構聯(lián)合表征空間，對光譜峰的數(shù)量、位置、強度進行獨立預測，最后使用高斯函數(shù)將離散的峰屬性展寬為連續(xù)的光譜序列。這種峰解耦的光譜預測方案顯著提升了預測的速度與精度，且具有多種光譜任務的良好擴展性。
 

本工作模型結構，基于峰解耦的圓二色光譜預測流程
 

　　論文的通訊作者莫凡洋提出了研究設想、啟動該項研究，并與合作者(論文共同通訊作者)袁粒、王忻昌共同指導整個研究項目。深圳研究生院院長助理、信息工程學院院長田永鴻對項目開展進行了算法指導和計算資源支持。北京大學深圳研究生院AI4S“雙導師”先行啟動計劃入選者博士生李昊和廈門大學博士生龍達為論文的共同第一作者。
 

　　該工作獲得國家自然科學基金委員會、廈門大學校長基金、北京大學深圳研究生院AI4S交叉研究專項等基金與項目的資助。