跳到正文
XtalPi 晶泰科技· Chen Yaxian·· 2026-10-12精选AI 评分62

晶泰科技开源 LCMS2Yield 化学反应产率量化模型

XtalPi Open-Sources the First AI Model for Chemical Reaction Yield Quantification

AI 导读

晶泰科技(XtalPi)开源 LCMS2Yield,该 AI 模型配合实验测量即可确定产物浓度与化学反应产率,无需为每种目标化合物制备纯对照品。

推荐理由

模型把量子化学预训练数据与实验校正因子结合,展示了科学模型接入自动化实验流程的一种路径。

正文 · AI 翻译

中国深圳,2026年10月12日 — XtalPi(港交所:2228)已开源 LCMS2Yield,这是一款与实验测量配合使用的 AI 模型,可在无需为每种目标化合物制备纯参比标准品的情况下,确定产物浓度和化学反应收率。GitHub 发布内容包括模型权重、推理代码,以及用于训练和评估的分子结构数据集和相应的 UV 校正因子数据集。

制备纯参比标准品会增加常规收率测定的时间和工作量,尤其是在涉及新合成化合物的高通量实验中。LCMS2Yield 可根据分子结构预测全谱 UV 校正因子。研究人员将这些预测结果与液相色谱–UV(LC-UV)测量值以及已知浓度的内标结合,以计算产物浓度和反应收率。

该模型结合了图 Transformer(Graph Transformer)与 Kolmogorov–Arnold 网络(KAN)。它先在 22,609 种化合物的量子化学衍生校正因子上进行预训练,然后在 1,845 种化合物的实验测量校正因子上进行微调。这种方法利用计算数据学习分子结构与校正因子之间的关系,并利用实验数据使模型适配实验室测量。

在涵盖四种常见反应类型的 178 个反应中,与使用常规校准曲线获得的参比收率相比,该方法的平均绝对收率误差为 4.74%。团队还使用 144 种 FDA 批准的药物化合物测试了浓度估计。该研究此前发表于 JACS Au。适用性取决于化合物的 UV 吸收特性和分析条件。

该仓库提供安装说明和使用示例。研究人员和开发者可以运行预测、使用自己的实验数据评估模型、使用发布的数据集复现预测,并开发模型改进。

研究团队将 LCMS2Yield 视为连接科学 AI 与自动化实验的一个范例:模型支持分析和决策,而实验提供数据和验证。此次开源发布使该模型及配套资源可用于进一步研究,并可整合到实验室工作流程中。

GitHub 仓库:https://github.com/xtalpi-inc/lcms2yield

研究论文:AI-Predicted Full-Spectrum UV Correction Factors: An Analyte-Standard-Free Framework for Reaction Yield Quantification

来源:XtalPi 晶泰科技 · en.xtalpi.com