【儀表網(wǎng) 研發(fā)快訊】近日，電子科學(xué)與技術(shù)學(xué)院林雁勤教授團(tuán)隊在基于深度學(xué)習(xí)的核磁共振(NMR)譜圖非均勻采樣(NUS)重建方面取得重要突破，相關(guān)成果以“Deep learning network for NMR spectra reconstruction in time-frequency domain and quality assessment”為題，發(fā)表在Nature Communications期刊上。這一成果將會幫助科學(xué)家快速獲取高質(zhì)量的NMR譜圖，并評估其可靠性，助力蛋白質(zhì)結(jié)構(gòu)解析和作用機制闡述，為生物醫(yī)學(xué)研究和藥物研發(fā)提供技術(shù)支持，助推健康中國建設(shè)。
 

　　多維核磁共振譜的獲取通常耗時較長，非均勻采樣(NUS)技術(shù)通過減少間接維采樣點數(shù)顯著縮短采樣時間，但需要高效的重建算法來獲得高質(zhì)量譜圖。傳統(tǒng)重建算法雖有效，但存在參數(shù)調(diào)整復(fù)雜等問題。現(xiàn)有的深度學(xué)習(xí)(DL)方法局限于單域(時域或頻域)重建，存在丟峰和偽峰等問題。此外，該領(lǐng)域存在一個長期未解決的重要問題，即如果沒有全采樣譜圖，用戶就無法評估重建譜的質(zhì)量，困擾了實際應(yīng)用。
 

　　該團(tuán)隊提出聯(lián)合時頻域的深度學(xué)習(xí)重建網(wǎng)絡(luò)JTF-Net，如圖1(a)所示。該網(wǎng)絡(luò)在重建過程中結(jié)合了NMR譜的時頻域信息，與傳統(tǒng)算法和單域DL算法相比實現(xiàn)了更優(yōu)的重建效果。此外，JTF-Net在重建過程中通過多次重建，不僅能得到重建譜圖，還能獲取偶然不確定性和感知不確定性，如圖1(b)所示。JTF-Net通過對大量模擬譜圖的重建，建立了質(zhì)量空間。基于此質(zhì)量空間，在實際使用時獲取REQUIRER(NMR譜圖重建領(lǐng)域首個無參考質(zhì)量評估指標(biāo)，Reconstruction quality assurance ratio)來評估重建譜圖的質(zhì)量，如圖1(c)所示。
 

　　圖1. JTF-Net網(wǎng)絡(luò)結(jié)構(gòu)及其重建與無參考質(zhì)量評估流程。(a)JTF-Net網(wǎng)絡(luò)框圖。(b)JTF-Net的重建過程，重建完成后既可以獲得重建譜圖，又可以獲得感知不確定性和偶然不確定性。(c)構(gòu)建質(zhì)量空間并進(jìn)行無參考質(zhì)量評估的過程。

 

　　在與傳統(tǒng)重建算法和單域深度學(xué)習(xí)算法的比較中，JTF-Net在不同樣品和不同類型譜圖上均實現(xiàn)了最優(yōu)效果。其中，JTF-Net在T4L L99A蛋白不同采樣率的1H-15N HSQC譜的重建中實現(xiàn)了最低的RLNE指標(biāo)，如圖2所示。此外，JTF-Net也重建了BMRB數(shù)據(jù)庫中13中不同蛋白質(zhì)的不同類型的NMR譜圖，也同樣實現(xiàn)了最優(yōu)效果。
 

　　圖2. 在不同采樣率(10%、12.5%、15%、17.5% 和 20%)下，JTF-Net、hmsIST、SMILE、FID-Net 和 EDHRN 之間的 RLNE 比較。

 

　　REQUIRER也同樣被驗證是有效的。在GB1蛋白(圖3)、T4L L99A蛋白和天青蛋白的驗證中，REQUIRER根據(jù)重建譜圖的不確定性，在不需要全采樣譜圖的情況下準(zhǔn)確反映出了重建譜圖的質(zhì)量，可在實際非均勻采樣場景下使用。
 

　　圖3. JTF-Net 重建的具有不同信噪比 (SNR) 的GB1蛋白的2D 15N-1H HSQC譜。圖中給出了它們的 REQUIRER指標(biāo)。

 

　　該工作在林雁勤教授(通訊作者)的指導(dǎo)下完成，博士生羅堯為第一作者。共同作者還包括陳忠教授和屈小波教授。該項研究獲得國家自然科學(xué)基金(22374124和22174118)的支持。
 

　　林雁勤教授團(tuán)隊近年來開展NMR譜圖深度學(xué)習(xí)的研究，在譜圖去噪、譜圖重建以及純化學(xué)位移譜圖的獲取方面都取得了進(jìn)展(圖4)。同時，林雁勤教授團(tuán)隊還全面總結(jié)分析了當(dāng)前深度學(xué)習(xí)在NMR領(lǐng)域的應(yīng)用(圖4)，讓更多NMR領(lǐng)域的研究人員對深度學(xué)習(xí)有更深入的了解，推動NMR領(lǐng)域的進(jìn)步。
 

圖4. 林雁勤教授團(tuán)隊在NMR領(lǐng)域提出的部分深度學(xué)習(xí)方法及綜述。