Deep Learning Reversibile per Analisi Spettrale

Un nuovo studio introduce un modello di deep learning reversibile progettato per l'analisi di risonanza magnetica nucleare (NMR) 13C in chemoinformatica. Il modello utilizza una singola rete neurale invertibile condizionale per stabilire una relazione bidirezionale tra strutture molecolari e i loro spettri corrispondenti.

La rete è costruita utilizzando blocchi biettivi in stile i-RevNet, una caratteristica che permette di avere sia la mappa diretta che la sua inversa disponibili per costruzione. Questo approccio consente al modello di essere addestrato per predire un codice spettrale binned a 128 bit a partire da una codifica della struttura basata su grafi. Le dimensioni latenti rimanenti catturano la variabilità residua.

Generazione di Strutture Candidate

Durante l'inference, la stessa rete addestrata viene invertita per generare strutture candidate a partire da un codice spettrale. Questo processo rappresenta esplicitamente la natura uno-a-molti dell'inference da spettro a struttura. I risultati mostrano che il modello è numericamente invertibile su esempi addestrati, raggiunge una predizione del codice spettrale superiore al caso e produce segnali strutturali significativi quando invertito su spettri di validazione.

Questi risultati suggeriscono che le architetture invertibili possono unificare la predizione dello spettro e la generazione di candidati con consapevolezza dell'incertezza all'interno di un unico modello end-to-end.