综述：深度学习及其在核磁共振光谱学中的应用

《Progress in Nuclear Magnetic Resonance Spectroscopy》：Deep learning and its applications in nuclear magnetic resonance spectroscopy

NMR技术应用受限，传统算法存在速度和精度不足问题，深度学习在NMR数据重构、降噪、谱解析及生物医学领域展现出显著优势。

　　

姚罗|郑晓旭|邱梦杰|苟耀平|杨正贤

福建省等离子体与磁共振重点实验室，厦门大学电子科学系，固体表面物理化学国家重点实验室，中国厦门361005

摘要

核磁共振（NMR）作为一种先进技术，在化学、生物学和医学等多个领域有着广泛的应用。然而，多维光谱的采集时间较长以及灵敏度较低等问题限制了NMR的更广泛应用。传统算法旨在解决这些问题，但在速度和准确性方面存在局限。深度学习（DL）作为人工智能（AI）的一个分支，在包括NMR在内的许多领域取得了显著成就。本文概述了DL的基础知识及其在NMR中的当前应用，指出了现有的挑战，并提出了改进的潜在方向。

引言

核磁共振（NMR）是一种强大的分析技术，被广泛用于获取有关分子组成、结构和动态的宝贵信息。它已被应用于化学、生物学、医学、材料科学等多个研究领域。然而，一些现有的挑战性问题限制了其更广泛的应用。例如，多维NMR光谱的采样时间随着间接维数的增加而呈指数级增长。较长的实验时间在某些情况下会阻碍NMR的应用，比如样品不稳定或光谱仪使用时间有限。NMR光谱的信噪比（SNR）通常较低，尤其是对于天然丰度较低的核素（如¹³C）。低信噪比通常伴随着较高的噪声水平，这会掩盖微弱信号，使得光谱分析更加困难。此外，大型分子系统或含有许多相互重叠峰值的复杂混合物的光谱在没有专家协助的情况下进行去卷积非常具有挑战性。

已经提出了许多信号处理方法来解决这些问题。例如，非均匀采样（NUS）技术是一种常用的方法来降低时间成本，同时开发了多种算法来重建NUS数据，如迭代软阈值（IST）[1]、稀疏多维迭代线形增强（SMILE）[2]、CLEAN [3]、最大熵（Maximum Entropy）[4]、多维分解（MDD）[5]和协方差（Covariance）[6]。还提出了一种重采样方法（NASR）[7]来抑制噪声。这些传统算法在一定程度上可以解决NMR领域的相关问题，但它们存在依赖先验知识以及处理时间长的缺点。近年来，人工智能（AI）发展迅速，在多个领域取得了显著成就。2024年，诺贝尔物理学奖授予了美国科学家约翰·J·霍普菲尔德（John J. Hopfield）和英加科学家杰弗里·E·辛顿（Geoffrey E. Hinton），以表彰他们在AI领域的杰出贡献。作为AI的一个分支，快速发展的深度学习（DL）技术在许多领域也取得了巨大成功，为解决NMR问题提供了有前景的方法。特别是，DL在蛋白质[8]、[9]和RNA[10]结构预测方面取得了重大突破，其中DeepMind开发的AlphaFold[11]具有重要意义。它的发布对蛋白质结构预测领域产生了重大影响，为生物医学研究和药物开发提供了关键工具。2024年，诺贝尔化学奖授予了大卫·贝克（David Baker）、约翰·M·詹珀（John M. Jumper）和德米斯·哈萨比斯（Demis Hassabis），以表彰他们在基于AI的蛋白质设计和结构推断方面的贡献。总体而言，DL的强大功能推动了包括NMR在内的多个领域的进步。本文回顾了DL的基础知识及其在处理和分析NMR数据中的应用。

深度学习概述

深度学习的历史

深度学习（DL）指的是多层人工神经网络（ANNs）的训练。它是机器学习（ML）的一个子集，是实现人工智能（AI）的关键方法。DL的根源可以追溯到20世纪50年代，当时罗森布拉特（Rosenblatt）创建了二进制单神经元模型[12]。该模型受到生物体内神经元原理的启发，成为现代神经网络的前身。神经网络的基本单元是神经元。每个神经元接收输入信号

深度学习基础

在使用神经网络处理现实世界的数据之前，使用大型数据集对网络进行训练以使其收敛至关重要。图1展示了一个常见的神经网络训练过程。网络收敛的基本过程利用前向传播和反向传播算法。在神经网络的前向传播过程中，输入层接收输入数据，并将处理结果（输出）传递给隐藏层。每个隐藏层随后对其进行处理

多维光谱

非均匀采样多维光谱的重建算法大致可以分为传统方法和基于DL的方法。常见的传统算法包括IST [1]、SMILE [2]、CLEAN [3]、最大熵（Maximum Entropy）[4]、MDD [5]和协方差（Covariance）[6]。目前，IST和SMILE算法是最常用的方法。传统算法在重建非均匀采样数据方面表现出有效性，但它们仍存在某些局限性：

深度学习在体内磁共振光谱中的应用

体内磁共振光谱（MRS）是一种重要的工具，用于无创评估代谢物浓度。这项独特技术允许在不进行手术干预或活检的情况下，无创地探索特定器官的生化成分或代谢物。它可以追踪和测量核信号的共振频率和强度（通常使用质子信号）。不同代谢物的化学位移模式是独特的，这为

深度学习在纳米NMR中的应用

传统的NMR依赖于大规模分子集合来获得足够的信噪比（SNR），但这会牺牲关于单个分子的具体信息。由于原子级氮空位（NV）中心的高灵敏度，可以利用NV中心实现单自旋敏感的NMR、单分子MR和微观二维NMR [271]、[272]、[273]、[274]、[275]、[276]、[277]、[278]。深度学习（DL）在纳米NMR领域也表现出色 [279]、[280]、[281]。

与传统的NMR类似，

结论与展望

本综述全面总结了深度学习在传统NMR、MRS和纳米NMR光谱的采集、处理和分析中的最新应用。在传统NMR中，深度学习实现了NUS重建、去噪、峰值提取、化学参数推断、化合物识别等任务。在MRS领域，深度学习被应用于体内MRS的去噪、频率和相位校正、定量以及疾病检测。此外，在纳米NMR中，深度学习也取得了成功

CRediT作者贡献声明

姚罗：撰写 – 审稿与编辑，撰写 – 原始草稿，正式分析。郑晓旭：撰写 – 审稿与编辑，撰写 – 原始草稿，正式分析。邱梦杰：撰写 – 审稿与编辑。苟耀平：撰写 – 原始草稿。杨正贤：撰写 – 原始草稿。曲晓波：资源提供。陈忠：资金筹集。林彦琴：撰写 – 审稿与编辑，监督，资源提供，项目管理，资金筹集，概念构思。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

致谢

本工作得到了国家自然科学基金（资助编号：22174118 和 22374124）的支持。