本研究由阿斯利康公司的Martin Priessner等科学家发表于《Journal of Chemical Information and Modeling》上，深入探讨了异核单量子相干（HSQC）核磁光谱模拟与匹配方法在分子鉴定中的应用。研究团队旨在通过提高化合物的鉴定精度和数据库搜索效率，推动化学信息学领域的发展。
研究首先介绍了HSQC技术的重要性，该技术通过连接氢谱和碳谱的化学位移，提供了一种分子结构的独特指纹。然而，由于实验中的各种限制，如峰值重叠、样品纯度等问题，使得从HSQC数据中准确鉴定分子结构成为一个挑战。
为了应对这一挑战，研究团队评估了四种不同的HSQC模拟技术：ACD/Labs（ACD）、MestReNova（MNova）、基于密度泛函理论（DFT）的高斯NMR计算，以及基于图的机器学习（ML）模型。他们特别为DFT和ML技术开发了一种重建逻辑，以结合氢谱和碳谱生成HSQC光谱。
研究中还实施了三种峰匹配策略和三种填充策略，以解决不同光谱间峰值数量的差异问题。通过这些策略的组合，研究团队能够显著提高分子结构鉴定的准确性，并成功地从大量数据库中快速检索出正确的分子结构。
在这项研究的背景下，ACD/Labs（ACD）软件显示出了其在分子结构鉴定方面的显著优势。在所比较的四种模拟技术中，ACD 技术以最高的准确度脱颖而出，在测试的848个分子中，有455个分子的峰值数量被准确识别。相比之下，MNova 在此任务中的表现略逊一筹，正确识别的分子数量为仅有354个。而基于 DFT 计算和 ML 预测的光谱重建技术，其表现则介于这两款商业软件之间，分别正确识别了379个和378个分子的峰值数量。
图 S1. ACD、MNova、DFT 和 ML 技术的HSQC峰值重建性能比较。条形图展示了每种方法的峰值计数差异（Δ0、Δ1、Δ2 和 Δ3）的分布。在这里，“偏差窗口”指的是与正确峰值数量的可接受偏差范围；例如，Δ0 要求完全匹配，而 Δ3 允许最多偏差三个峰值。ACD 显示出最高的准确性，而 MNova 的准确性表现最低。
图 3：实验数据与各种模拟方法（ACD、MNova、DFT 和 ML）的峰值数量不匹配，以直方图形式绘制，箱形图表示真实数据（GT）与模拟光谱之间的峰值数量差异。每个子图的内嵌文本提供了总差异、正确分配、平均误差和标准偏差。
图 4：使用平均绝对误差（MAE）评估模拟技术。(a) 比较标准化的MAE，(b) 匹配的1H NMR化学位移的平均MAE的热图，(c) 匹配的13CNMR化学位移的平均MAE的热图。
如需了解该文章的更多信息，请查看原文。
文献来源：J. Chem. Inf. Model. 2024, 64, 3180−3191
https://doi.org/10.1021/acs.jcim.3c01735
