近日，電子科學與技術學院林雁勤教授團隊在基于深度學習的核磁共振(NMR)譜圖非均勻采樣(NUS)重建方面取得重要突破，相關成果以“Deep learning network for NMR spectra reconstruction in time-frequency domain and quality assessment”為題，發表在Nature Communications期刊上。這一成果將會幫助科學家快速獲取高質量的NMR譜圖，并評估其可靠性，助力蛋白質結構解析和作用機制闡述，為生物醫學研究和藥物研發提供技術支持，助推健康中國建設。
 

　　多維核磁共振譜的獲取通常耗時較長，非均勻采樣(NUS)技術通過減少間接維采樣點數顯著縮短采樣時間，但需要高效的重建算法來獲得高質量譜圖。傳統重建算法雖有效，但存在參數調整復雜等問題。現有的深度學習(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量，困擾了實際應用。
 

　　該團隊提出聯合時頻域的深度學習重建網絡JTF-Net，如圖1(a)所示。該網絡在重建過程中結合了NMR譜的時頻域信息，與傳統算法和單域DL算法相比實現了更優的重建效果。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，建立了質量空間。基于此質量空間，在實際使用時獲取REQUIRER(NMR譜圖重建領域首個無參考質量評估指標，Reconstruction quality assurance ratio)來評估重建譜圖的質量，如圖1(c)所示。
 

　　圖1. JTF-Net網絡結構及其重建與無參考質量評估流程。(a)JTF-Net網絡框圖。(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)構建質量空間并進行無參考質量評估的過程。

 

　　在與傳統重建算法和單域深度學習算法的比較中，JTF-Net在不同樣品和不同類型譜圖上均實現了最優效果。其中，JTF-Net在T4L L99A蛋白不同采樣率的1H-15N HSQC譜的重建中實現了最低的RLNE指標，如圖2所示。此外，JTF-Net也重建了BMRB數據庫中13中不同蛋白質的不同類型的NMR譜圖，也同樣實現了最優效果。
 

　　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根據重建譜圖的不確定性，在不需要全采樣譜圖的情況下準確反映出了重建譜圖的質量，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。

 

　　該工作在林雁勤教授(通訊作者)的指導下完成，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基金(22374124和22174118)的支持。
 

　　林雁勤教授團隊近年來開展NMR譜圖深度學習的研究，在譜圖去噪、譜圖重建以及純化學位移譜圖的獲取方面都取得了進展(圖4)。同時，林雁勤教授團隊還全面總結分析了當前深度學習在NMR領域的應用(圖4)，讓更多NMR領域的研究人員對深度學習有更深入的了解，推動NMR領域的進步。
 

圖4. 林雁勤教授團隊在NMR領域提出的部分深度學習方法及綜述。