電子圓二色光譜（electronic circular dichroism，ecd）作為一種關鍵的光譜技術，具有用量少、易測定等優點，在不對稱催化、功能材料和藥物發現等領域有重要且廣泛的應用，已成為探索手性分子空間絕對構型的有力工具。然而，圓二色光譜的理論計算往往復雜且耗時，成為化學研究和藥物開發中的時間瓶頸。隨著人工智能的發展，使用機器學習自動化預測分子光譜的技術得到研究者們的廣泛關注。當前，在分子光譜預測研究中，基于連續序列預測的自回歸模型在一些任務中展現了出色的性能與發展潛力。然而圓二色譜特征信息稀疏，直接采用連續序列建模會學到很多無關噪聲，造成模型過擬合，不具有泛化能力。

近日，北京大學莫凡洋課題組、袁粒課題組與廈門大學王忻昌課題組合作，在Nature Computational Science上發表了題為“Decoupled peak property learning for efficient and interpretable electronic circular dichroism spectrum prediction”的研究論文。

論文截圖

該研究針對手性小分子圓二色光譜的DFT計算耗時、費力且具有高專業門檻的問題，通過將連續的光譜預測任務轉換為離散表示的光譜峰表征學習任務，實現了以圓二色光譜為代表的若干分子光譜和質譜的快速、準確和通用預測，并通過多種手性天然產物分子驗證其可靠性。

研究團隊提出創新性深度學習模型ECDFormer，將連續光譜序列按光譜峰的屬性信息解耦為離散令牌組合形式，并使用查詢變量進行自注意力機制的光譜屬性學習，從而構建光譜峰結構與分子官能團之間的聯合表征。在預測階段，本工作首先學習分子拓撲結構表征，進而基于光譜-分子結構聯合表征空間，對光譜峰的數量、位置、強度進行獨立預測，最后使用高斯函數將離散的峰屬性展寬為連續的光譜序列。這種峰解耦的光譜預測方案顯著提升了預測的速度與精度，且具有多種光譜任務的良好擴展性。

本工作模型結構，基于峰解耦的圓二色光譜預測流程