Deep Learning Reversibile per la NMR 13C in Chemioinformatica

Un nuovo framework di deep learning reversibile per la spettroscopia NMR 13C utilizza una singola rete neurale invertibile condizionale per facilitare la mappatura bidirezionale tra strutture molecolari e i loro spettri corrispondenti. Questa rete incorpora blocchi biettivi in stile i-RevNet, consentendo sia previsioni dirette che generazione inversa dallo stesso modello addestrato. Genera un codice spettrale a 128 bit basato su strutture codificate tramite grafo, con dimensioni latenti che catturano la variabilità residua. Durante l'inferenza, la rete invertita produce candidati strutturali dal codice spettrale, affrontando efficacemente la sfida uno-a-molti dell'inferenza da spettro a struttura. Su un sottoinsieme filtrato, il modello dimostra invertibilità numerica su esempi addestrati, superando la previsione casuale del codice spettrale e producendo segnali strutturali grossolani da spettri di validazione, provando l'efficacia delle architetture invertibili in chemioinformatica.