대규모 언어 모델 에이전트를 활용한 일반화 가능하고 증거 기반의 핵자기공명 분자 구조 규명 연구

Towards Generalizable and Evidential Nuclear Magnetic Resonance-Based Molecular Structure Elucidation via Large Language Model Agent

핵자기공명(NMR) 분광법은 분자 구조 규명을 위한 표준적인 방법이지만, 알려지지 않은 복잡한 스펙트럼을 해석하는 것은 여전히 인간 전문가에 의존적인 병목 현상입니다. 인공 지능이 이 분야를 발전시켰지만, 현재의 방법들은 중요한 트레이드오프를 가지고 있습니다. 데이터베이스 검색은 새로운 골격을 식별할 수 없으며, de novo 분자 구조 규명 모델은 블랙박스처럼 작동하여 엄격한 과학적 검증에 필요한 원자 수준 해석력을 제공하지 못합니다. 본 연구에서는 대규모 언어 모델(LLM) 기반의 증거 추론 에이전트인 NMRAgent를 제시합니다. NMRAgent는 전문적인 스펙트럼 분석 도구와 화학 지식 그래프를 통합하여 이러한 격차를 해소합니다. 기존 접근 방식과 달리, NMRAgent는 인간 전문가의 연역적 추론 방식을 모방합니다. 즉, 실험 데이터인 NMR 스펙트럼과 분자식을 입력으로 받아 규명 과정을 계획하고, 후보 구조를 제시하며, 피크-원자 일관성을 검증하고, 분자식 기반의 프래그먼트 최적화를 통해 불일치하는 부분구조를 개선합니다. NMRAgent는 증거 기반 추론을 통해 기존 최고 성능 모델보다 top-1 정확도를 46.5% 향상시키고, Tanimoto 유사성을 0.502만큼 높여 scaffold 분할 벤치마크에서 새로운 골격이 포함된 테스트 데이터셋에 대해 우수한 성능을 보였습니다. 또한, NMRAgent는 Hydrangea davidii 및 Vitex trifolia로부터 분리된 두 가지 미지의 천연물 구조를 규명하고, 기존 문헌의 구조적 오류를 수정하는 데 활용되어 실제적인 유용성을 입증했습니다. 고정밀 예측과 투명하며 증거 기반의 추론을 결합함으로써 NMRAgent는 분석 화학 분야에서 해석 가능한 인공 지능의 새로운 패러다임을 제시합니다.

Nuclear Magnetic Resonance (NMR) spectroscopy is the gold standard for molecular structure elucidation, yet interpreting complex spectra for unknown molecules remains a bottleneck reliant on human expertise. While artificial intelligence has advanced this field, current methods face a critical trade-off: database retrieval cannot identify novel scaffolds, while de novo molecular structure elucidation models operate as black boxes, lacking the atom-level interpretability required for rigorous scientific validation. Here, we present NMRAgent, an evidential reasoning agent powered by large language models (LLMs) that bridges this gap by integrating specialized spectral analysis tools with chemical knowledge graphs. Unlike previous approaches, NMRAgent mimics the deductive reasoning of human experts: it takes experimental NMR spectra and molecular formula as input, plans the elucidation process, proposes candidate structures, verifies peak-atom consistency, and refines misaligned substructure through formula-aware fragment optimization. Enabled by its evidential reasoning, NMRAgent outperforms state-of-the-art methods, improving top-1 accuracy by 46.5% and Tanimoto similarity by 0.502 on a scaffold-split benchmark with novel scaffolds in the test set. Besides, we demonstrate the agent's practical utility by elucidating the structures of two previously unknown natural products isolated from Hydrangea davidii and Vitex trifolia, and by correcting structural misassignments in established literature. By combining high-accuracy prediction with transparent and evidence-based reasoning, NMRAgent establishes a new paradigm for interpretable AI in analytical chemistry.