Mejorando el Monitoreo de Reacciones Químicas con un Modelo de Aprendizaje Profundo para la Coincidencia de Imágenes de Espectros de RMN con Compuestos Objetivo

En el laboratorio sintético, los investigadores suelen confiar en los espectros de resonancia magnética nuclear (RMN) para elucidar estructuras de productos sintetizados y confirmar si coinciden con los compuestos objetivo deseados. A medida que la tecnología de síntesis química evoluciona hacia la inteligencia y la continuidad, se requieren técnicas de elucidación de estructuras asistidas por computadora (CASE) eficientes para reemplazar el análisis manual que consume mucho tiempo y proporcionar la velocidad necesaria. Sin embargo, los métodos actuales de CASE normalmente tienen como objetivo derivar estructuras químicas precisas a partir de datos espectroscópicos, pero sufren de inconvenientes como baja precisión, alto costo computacional y dependencia de bibliotecas químicas. En reacciones de síntesis química meticulosamente diseñadas, los investigadores priorizan confirmar la obtención del producto objetivo basado en espectros de RMN, en lugar de centrarse en identificar el producto específico obtenido. Para este propósito, desarrollamos de manera innovadora un modelo de clasificación binaria, denominado MatCS, para predecir directamente la relación entre la imagen del espectro de RMN (incluyendo