固態(tài)核磁共振 (NMR) 光譜——一種測量暴露在強磁場中的無線電波的一些原子核發(fā)射的頻率的技術——可用于確定化學和 3D 結構以及分子動力學和材料。
然而，分析中一個必要的初始步驟是所謂的化學位移分配。這涉及將 NMR 光譜中的每個峰分配給所研究的分子或材料中的給定原子。這可能是一項特別復雜的任務。通過實驗分配化學位移可能具有挑戰(zhàn)性，并且通常需要耗時的多維相關實驗。通過與實驗化學位移數據庫的統(tǒng)計分析進行比較分配將是一種替代解決方案，但沒有這樣的分子固體數據庫。
包括 EPFL 教授 Lyndon Emsley、磁共振實驗室負責人、計算科學與建模實驗室負責人 Michele Ceriotti和博士生 Manuel Cordova在內的一組研究人員決定通過開發(fā)一種分配 有機物核磁共振譜的方法來解決這個問題。直接從其 2D 化學結構中概率性地推斷出晶體。
他們首先通過將劍橋結構數據庫 (CSD)(一個包含超過 200,000 個三維有機結構的數據庫)與ShiftML(一種他們之前共同開發(fā)的機器學習算法)相結合，創(chuàng)建了自己的有機固體化學位移數據庫。用于直接從分子固體結構預測化學位移。
ShiftML 最初在 2018 年的 Nature Communications 論文中描述，使用 DFT 計算進行訓練，但隨后可以對新結構進行準確預測，而無需執(zhí)行額外的量子計算。雖然達到了 DFT 精度，但該方法可以在幾秒鐘內計算出具有約 100 個原子的結構的化學位移，與當前的 DFT 化學位移計算相比，計算成本降低了 10,000 倍。該方法的準確性不取決于所檢查結構的大小，并且預測時間與原子數呈線性關系。這為在以前不可行的情況下計算化學位移奠定了基礎。
標簽：
免責聲明：本文由用戶上傳，與本網站立場無關。財經信息僅供讀者參考，并不構成投資建議。投資者據此操作，風險自擔。 如有侵權請聯(lián)系刪除！