新上线今天0 投票
数据融合与对比对齐：突破红外光谱分子结构解析的局限
研究背景与挑战
红外（IR）光谱是分析化学中常用的分子结构表征工具，但传统上依赖人工解读。近年来，AI 在自动化分子结构解析方面取得进展，但现有方法大多需要预先提供化学分子式作为辅助输入，这限制了模型只能用于同分异构体识别，而非真正的无约束结构预测。尽管 Transformer 模型在同分异构体识别上表现出色，但在无约束场景下（即仅凭 IR 光谱预测完整分子结构）的可靠性较低，且其内在机制尚不明确。
核心创新：MoE 解码器与对比对齐
来自密苏里大学等机构的研究者提出了一种改进的编码器-解码器 Transformer 架构，旨在解决上述问题。关键创新包括：
- Mixture-of-Experts (MoE) 解码器模块：采用非加性聚合方法，利用线性阶统计量和 Choquet 积分，以更好地处理无约束化学空间中的复杂关系。
- 非加性光谱表示聚合：同样将非加性算子应用于编码器端的光谱特征聚合，提升表征能力。
- 辅助对比对齐损失：通过对比学习拉近同一分子不同光谱表征的距离，增强模型对关键化学信息的捕捉。
性能提升与验证
实验表明，上述改进使 Top-K 预测准确率相比基线 IR-only 模型提升了超过 10 个百分点。此外，通过子结构片段分析，研究者确认红外光谱本身编码了绝大部分相关化学信息，这意味着同分异构体识别模型的高性能主要源于化学空间中分子吸收带的重叠或表征不足，而非模型本身更强大。
意义与展望
该工作证明了直接从实测红外光谱进行自动化分子结构解析的可行性，显著拓宽了 AI 在分析化学中的应用范围。未来，该技术有望加速未知化合物的鉴定，在药物发现、材料科学和环境监测等领域发挥重要作用。研究者同时指出，当前方法仍面临化学空间覆盖度和吸收带重叠等挑战，需要进一步优化。