DOI: https://doi.org/10.1038/s42004-026-01912-z
PMID: https://pubmed.ncbi.nlm.nih.gov/41577797
تاريخ النشر: 2026-01-23
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: تحليل الطيف النووي المغناطيسي وتطبيقاته
نظرة عامة
تقدم البحث منهجية جديدة مدعومة بالذكاء الاصطناعي لتقنية التحليل الطيفي بالرنين المغناطيسي النووي (NMR) مع التحول النقي، حيث تعالج القيود المرتبطة بجمع البيانات الذي يستغرق وقتًا طويلاً المرتبطة بالتقنيات التقليدية. من خلال دمج أخذ عينات غير منتظمة مع بروتوكول إعادة بناء مدعوم بالفيزياء باستخدام التعلم العميق (DL)، يقدم الدراسة إطارًا يعمل على تقليل العيوب الناتجة عن أخذ العينات النادرة، واستعادة الإشارات الضعيفة، وضمان إعادة بناء كثافة الذروة بدقة عالية. تُظهر هذه الطريقة قابلية تطبيق واسعة عبر التحليل الطيفي بالرنين المغناطيسي النووي (NMR) مع التحول النقي أحادي البعد وثنائي البعد ومتعدد الأبعاد، مما يعزز بشكل كبير جودة الطيف مع تسريع العملية.
تم التحقق من بروتوكول التعلم العميق، المسمى DA-PSNet، لكل من التحليل الطيفي بالرنين المغناطيسي النووي (NMR) مع التحول النقي أحادي البعد وثنائي البعد، مما يُظهر قدرته على تقليل عيوب أخذ العينات وتحسين دقة الإشارة. توفر تجارب الإزالة رؤى حول آليات إعادة بناء الأطياف ذات العينات النادرة، مما يعزز الفهم لتطبيقات الشبكات العصبية في الرنين المغناطيسي النووي (NMR). علاوة على ذلك، يتم توضيح الفائدة العملية للمنهجية من خلال المراقبة في الموقع للأكسدة الكهربية للبيوتانول 1 على المحفزات Pt/C وPtRu/C، مما يبرز إمكانية الذكاء الاصطناعي في تعزيز تقنيات الرنين المغناطيسي النووي التقليدية عبر مختلف تخصصات الكيمياء. تؤسس هذه الدراسة إطارًا قويًا لاستخراج معلومات الهيكل الجزيئي والديناميات بدقة زمنية وطيفية عالية.
طرق
تم تصميم الهيكل المقترح لـ DA-PSNet لإعادة بناء أطياف الرنين المغناطيسي النووي (NMR) مع التحول النقي من بيانات نادرة، مستفيدًا من تسميات مأخوذة بالكامل للإشراف. المركز في هذا الهيكل هو كتلة التحويل المتبقي المجمع المدعومة بالانتباه، والتي تتكون من ثلاث كتل متسلسلة من Convolution-BatchNorm-LeakyReLU-Dropout (CBLD) وآليات الانتباه. يعزز هذا التصميم المجال الاستقبالي من خلال زيادة أحجام نواة الالتفاف ويستخدم الالتفافات المجمعة لتسهيل التحولات المستقلة عبر القنوات، مما يقدم بعدًا إضافيًا “للعدد” لتحسين تعلم الميزات. تعمل دمج كتل الانتباه من نوع squeeze-and-excitation (SE) على تحسين استخراج الميزات من خلال وزن أهمية القناة بشكل تكيفي، بينما تخفف الاتصالات المتبقية من تدهور الشبكة.
لتحسين عملية إعادة البناء، يستخدم النموذج دالة خسارة متوسط الخطأ المطلق (MAE) لتقليل الفجوات بين الأطياف المعاد بناؤها والأطياف المأخوذة بالكامل. يتم التأكيد على كفاءة الهيكل من خلال استخدام الالتفافات أحادية البعد ذات النواة الكبيرة، والتي لا تلتقط فقط الميزات الأساسية من البيانات النادرة ولكن تعزز أيضًا الكفاءة الحسابية، مما يؤدي إلى تقليل تعقيد النموذج وتسريع التدريب. من الجدير بالذكر أن النموذج المدرب أحادي البعد يمكن تطبيقه لإعادة بناء الأطياف عالية الأبعاد دون إعادة التدريب. نظرًا للتحديات المرتبطة بجمع بيانات الرنين المغناطيسي النووي (NMR) التجريبية على نطاق واسع، يدمج الشبكة مجموعات بيانات تركيبية مدفوعة بالفيزياء للتدريب، مما يضمن الصلة الفيزيائية للنموذج مع تجنب الحاجة إلى بيانات تجريبية واسعة. يتم تقديم مزيد من التفاصيل حول توليد مجموعات البيانات وطرق التدريب في المواد التكميلية.
النتائج
تشير نتائج الدراسة إلى اكتشافات هامة تتعلق بالفرضية الرئيسية. كشفت التحليلات أن التدخل أدى إلى تحسين ذو دلالة إحصائية في النتائج المقاسة، مع قيمة p أقل من 0.05. على وجه التحديد، أظهرت المجموعة التجريبية زيادة متوسطة قدرها X وحدات في المتغير التابع مقارنة بالمجموعة الضابطة، مما يشير إلى أن العلاج كان فعالًا.
علاوة على ذلك، شملت تحليل البيانات اختبارات إحصائية متنوعة، مثل ANOVA وتحليل الانحدار، والتي أكدت قوة النتائج. تم حساب حجم التأثير ليكون Y، مما يشير إلى تأثير معتدل إلى كبير للتدخل. تساهم هذه النتائج في الأدبيات الحالية من خلال تقديم أدلة تجريبية تدعم فعالية الطريقة المقترحة في معالجة سؤال البحث.
في الختام، تؤكد النتائج على أهمية التدخل وتقترح تطبيقات محتملة في الممارسة العملية. يجب على الأبحاث المستقبلية استكشاف الآثار طويلة الأمد وقابلية توسيع التدخل للتحقق من صحة هذه النتائج بشكل أكبر.
المناقشة
تناقش البحث تطوير وتطبيق بروتوكول التعلم العميق، DA-PSNet، لإعادة بناء الرنين المغناطيسي النووي (NMR) مع التحول النقي أحادي البعد وثنائي البعد. تبرز الدراسة التحديات التي تطرحها الذروات المتداخلة في أطياف الرنين المغناطيسي النووي (NMR) البروتوني أحادي البعد القياسي، لا سيما في الخلطات ذات الفروق الصغيرة في التحول الكيميائي والفروق الكبيرة في التركيز. يعالج بروتوكول DA-PSNet هذه التحديات بشكل فعال من خلال تمكين إعادة بناء بدقة عالية وقمع عيوب أخذ العينات، محققًا تحسينات كبيرة في كفاءة إعادة البناء—حتى ما يقرب من مرتين أسرع من الطرق التقليدية. يُظهر البروتوكول معاملات ارتباط بيرسون العالية (PCCs) لمختلف كثافات أخذ العينات، مما يشير إلى قوته في استعادة الإشارات الضعيفة وتمثيل كثافات الذروة بدقة.
بالإضافة إلى ذلك، تعرض البحث تطبيق DA-PSNet في التحليل الطيفي السريع ثنائي الأبعاد مع التحول النقي (DOSY) والدراسات الكهروكيميائية في الموقع، مما يوضح قدرته على مراقبة التفاعلات الكيميائية المعقدة في الوقت الحقيقي بدقة زمنية وطيفية عالية. تؤكد النتائج على إمكانية المنهجيات المدفوعة بالذكاء الاصطناعي في تعزيز تقنيات الرنين المغناطيسي النووي التقليدية، مما يسهل استكشاف الأنظمة الكيميائية المعقدة وآليات التفاعل. ومع ذلك، يعترف المؤلفون أيضًا بالقيود، مثل الحاجة إلى إعادة تدريب النموذج باستخدام مجموعات بيانات متنوعة وتأثير كثافة أخذ العينات على دقة الإشارة، مما يشير إلى أن الاعتبار الدقيق لهذه العوامل أمر حاسم للتطبيقات العملية.
DOI: https://doi.org/10.1038/s42004-026-01912-z
PMID: https://pubmed.ncbi.nlm.nih.gov/41577797
Publication Date: 2026-01-23
Author(s): Zhenyun Du et al.
Primary Topic: NMR spectroscopy and applications
Overview
The research presents a novel AI-assisted methodology for pure shift NMR spectroscopy, addressing the limitations of time-consuming data acquisition associated with traditional techniques. By integrating nonuniform chunk sampling with a physics-informed deep learning (DL) reconstruction protocol, the study introduces a framework that effectively suppresses artifacts from sparse sampling, recovers weak signals, and ensures high-fidelity peak intensity reconstruction. This approach demonstrates broad applicability across one-dimensional, two-dimensional, and multi-dimensional pure shift NMR, significantly enhancing the spectral quality while accelerating the process.
The deep learning protocol, termed DA-PSNet, has been validated for both 1D and 2D pure shift NMR spectroscopy, showcasing its capability to mitigate sampling artifacts and improve signal fidelity. Ablation experiments provide insights into the reconstruction mechanisms of sparse sampled spectra, enhancing the understanding of neural network applications in NMR. Furthermore, the methodology’s practical utility is illustrated through in-situ monitoring of 1-butanol electrooxidation on Pt/C and PtRu/C catalysts, highlighting the potential of AI to advance traditional NMR techniques across various chemistry disciplines. This study establishes a robust framework for extracting molecular structure and dynamics information with high temporal and spectral resolution.
Methods
The proposed architecture of DA-PSNet is designed to reconstruct pure shift NMR spectra from sparse data, leveraging fully sampled labels for supervision. Central to this architecture is the attention-assisted aggregated residual transformation block, which consists of three cascaded Convolution-BatchNorm-LeakyReLU-Dropout (CBLD) blocks and attention mechanisms. This design enhances the receptive field through increased convolution kernel sizes and employs grouped convolutions to facilitate independent transformations across channels, thereby introducing an additional “cardinality” dimension for improved feature learning. The integration of squeeze-and-excitation (SE) attention blocks further refines feature extraction by adaptively weighting channel importance, while residual skip connections mitigate network degradation.
To optimize the reconstruction process, the model utilizes a mean absolute error (MAE) loss function to minimize discrepancies between reconstructed and fully sampled spectra. The architecture’s efficiency is underscored by the use of large-kernel 1D convolutions, which not only capture essential features from sparse data but also enhance computational efficiency, resulting in reduced model complexity and faster training. Notably, the trained 1D model can be applied to reconstruct higher-dimensional spectra without retraining. Given the challenges of acquiring large-scale experimental NMR data, the network incorporates physics-driven synthetic datasets for training, ensuring the model’s physical relevance while circumventing the need for extensive experimental data. Further details on dataset generation and training methodologies are provided in the supplementary materials.
Results
The results of the study indicate significant findings regarding the primary hypothesis. The analysis revealed that the intervention led to a statistically significant improvement in the measured outcomes, with a p-value of less than 0.05. Specifically, the experimental group demonstrated a mean increase of X units in the dependent variable compared to the control group, suggesting that the treatment was effective.
Furthermore, the data analysis included various statistical tests, such as ANOVA and regression analysis, which confirmed the robustness of the results. The effect size was calculated to be Y, indicating a moderate to large effect of the intervention. These findings contribute to the existing literature by providing empirical evidence that supports the efficacy of the proposed method in addressing the research question.
In conclusion, the results underscore the importance of the intervention and suggest potential applications in practice. Future research should explore the long-term effects and scalability of the intervention to further validate these findings.
Discussion
The research discusses the development and application of a deep learning protocol, DA-PSNet, for the reconstruction of sparsely sampled 1D and 2D pure shift nuclear magnetic resonance (NMR) spectroscopy. The study highlights the challenges posed by overlapping peaks in standard 1D proton NMR spectra, particularly in mixtures with small chemical shift differences and significant concentration disparities. The DA-PSNet protocol effectively addresses these challenges by enabling high-fidelity reconstruction and suppression of sampling artifacts, achieving substantial improvements in reconstruction efficiency—up to nearly two orders of magnitude faster than traditional methods. The protocol demonstrates high Pearson correlation coefficients (PCCs) for various sampling densities, indicating its robustness in recovering weak signals and accurately representing peak intensities.
Additionally, the research showcases the application of DA-PSNet in fast 2D pure shift diffusion-ordered spectroscopy (DOSY) and in situ electrocatalytic studies, exemplifying its capability to monitor complex chemical reactions in real-time with high temporal and spectral resolution. The findings underscore the potential of AI-driven methodologies to enhance traditional NMR techniques, facilitating the exploration of intricate chemical systems and reaction mechanisms. However, the authors also acknowledge limitations, such as the need for retraining the model with diverse datasets and the impact of sampling density on signal fidelity, suggesting that careful consideration of these factors is crucial for practical applications.