通过 大语言模型 Agent 实现基于核磁共振的可推广且有证据的分子结构阐明

核磁共振 (NMR) 光谱是分子结构阐明的黄金标准，但解释未知分子的复杂光谱仍然是依赖人类专业知识的瓶颈。虽然人工智能推动了这一领域的发展，但当前的方法面临着一个关键的权衡：数据库检索无法识别新颖的支架，而从头分子结构阐明模型则像黑匣子一样运行，缺乏严格的科学验证所需的原子级可解释性。在这里，我们推出了 NMRAgent，这是一种由 大语言模型 (LLM) 提供支持的证据推理代理，它通过将专门的光谱分析工具与化学知识图集成来弥补这一差距。与以前的方法不同，NMRAgent 模仿人类专家的演绎推理：它以实验 NMR 谱和分子式作为输入，规划阐明过程，提出候选结构，验证峰原子一致性，并通过公式感知片段优化来细化未对齐的子结构。凭借其证据推理，NMRAgent 的性能优于最先进的方法，在测试集中使用新型支架的支架分割基准上，将 top-1 准确率提高了 46.5%，将 Tanimoto 相似度提高了 0.502。此外，我们通过阐明从绣球花和三叶牡荆中分离出的两种以前未知的天然产物的结构，并通过纠正现有文献中的结构错误分配，证明了该试剂的实用性。通过将高精度预测与透明且基于证据的推理相结合，NMRAgent 为分析化学领域的可解释人工智能建立了新的范例。