分子光谱是实验化学中广泛应用的表征技术之一。各种化合物的光谱图谱反映了分子的物理化学性质，并隐含了丰富的化学信息。现代光谱技术可以获得大量高精度的光谱图像，如核磁共振（NMR）、红外光谱、质谱等。然而，利用这些光谱数据进行相关的机器学习任务并不容易。传统的方法通常基于量子化学预测，需要进行大量的计算和模拟，计算成本高昂，同时预测的精度也受到一定的限制。因此，光谱信息在相关机器学习中的应用仍然处于相对初级的阶段。

近日，浙江大学化学系洪鑫课题组报道了一项基于光学字符识别（OCR）技术的工具，可以将常见的NMR光谱图像识别为机器可读的描述符。为了验证光谱描述符的机器学习应用潜力，作者选取了Pd催化芳基卤化物的Buchwald-Hartwig交叉偶联反应产率数据。通过收集SciFinder®数据库中的相关实验光谱图像，作者利用该工具将其编码并使用随机森林进行建模，提供了一个具有较优预测能力的机器学习模型。

为了将普通光谱图像转化为机器可读的向量，作者设计了一种基于OCR的方法（图1）。以NMR谱图为例，该方法通过识别图像中化学位移与强度的关系，将其投射到均匀格点上，并对格点内的强度进行积分，拼接得到一维向量，以此作为光谱描述符。这种方法同样适用于常见的红外和质谱等光谱图像。作者还利用现有的化合物光谱快速模拟工具，进一步证明了光谱描述符的可行性。这也表明，该方案可以很容易地集成到一个全自动的虚拟筛选工作流程中。

该工作展示了光谱图像的类OCR处理，将其转换为机器学习适配的描述符，并证明了该描述符在产率预测建模中的有效性。这项工作可以为未来的相关机器学习任务提供有力的支持。