厦门大学程俊&汤富杰团队：深度学习-核磁化学位移预测 | Nature Computational Science

本研究由厦门大学程俊教授和汤富杰副教授团队联合多家机构研发了NMRNet深度学习框架，旨在解决核磁共振（NMR）化学位移预测的准确性和效率问题。研究背景指出，传统方法在处理复杂分子结构时存在局限性，而深度学习方法如GCN和MPNN虽有所改进，但仍未充分考虑分子间相互作用和周期性边界条件。NMRNet通过SE(3) Transformer架构，实现了对液态、固态和气态系统的统一建模，并在多个基准数据集中表现出高精度和可靠性。研究还构建了标准化的基准数据集nmrshiftdb2-2024，并展示了NMRNet在复杂分子体系中的卓越性能。该框架不仅提供数值预测，还可应用于NMR谱峰归属和构象确定等任务，为结构-光谱关系的解析提供了新途径。