程俊&汤富杰团队建立基于深度学习的核磁化学位移预测的统一基准和框架学院：建立基于深度学习的核磁化学位移预测的统一基准和框架

背景：随着深度学习技术的发展，研究人员开始将其应用于核磁共振（NMR）化学位移的预测，以提高模型的准确性和效率。然而，现有的模型多针对液态或固态NMR进行单一状态的预测，存在局限性。研究目的：程俊和汤富杰团队研发了NMRNet深度学习框架，旨在建立一个统一的基准和框架，实现对液态、固态和气态系统的NMR化学位移的高精度预测。结论：NMRNet框架通过SE(3) Transformer架构，成功实现了对多种状态的NMR化学位移的高精度预测，并在多个基准数据集中表现出优异的性能。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关键任务，为结构-光谱关系的深入解析提供了新途径。