可扩展的深度学习重建用于蛋白质的加速多维核磁共振光谱
Yihui Huang1, Yuncheng Gao1, Zhangren Tu1
1Department of Electronic Science, Fujian Provincial Key Laboratory of Plasma and Magnetic Resonance, Xiamen University, Xiamen University-Neusoft Medical Magnetic Resonance Imaging Joint Research and Development Center, Xiamen, China.
深度学习通过核磁共振 (NMR) 光谱加速蛋白质结构的确定. 一种新的AI方法能够快速,准确地重建复杂的,高维的NMR光谱,即使有显著的数据低采样.
科学领域:
- 生物物理学的生物物理.
- 频谱学是一种光谱学.
- 人工智能的人工智能
背景情况:
- 高维核磁共振 (NMR) 光谱对于蛋白质结构的确定至关重要,但由于长时间的数据采集时间而受到影响.
- 目前用于NMR重建的深度学习方法仅限于三维,并与不同的加速因子作斗争.
研究的目的:
- 开发一个可扩展的深度学习框架,用于任意高维的NMR光谱的超快速重建.
- 通过使用单一训练网络,在广泛的加速因子中实现强大的光谱重建.
主要方法:
- 一个新的神经网络被设计用于学习一个维度 (1D) 的数据.
- 时间域的NMR信号是使用1D指数的外积模型建模的,通过一等级的汉克尔矩阵近似.
- 使用神经网络纠正了重建错误,使高维数据的高效处理成为可能.
主要成果:
- 通过单个训练网络,在2至33的加速度因子上演示了强大的3DNMR重建.
- 成功重建了4D NMR光谱,展示了人工智能方法在更高维度的潜力.
- 该方法显著加速光谱重建,而不会影响数据质量.
结论:
- 开发的深度学习网络提供了一个可扩展的解决方案,以加速高维的NMR光谱.
- 这种人工智能驱动的方法显著减少了获取时间,使复杂的蛋白质结构确定更容易获得.
- 开辟了在结构生物学和药物发现中推进NMR应用的新可能性.
更多相关视频
09:25Author Spotlight: Exploring Intrinsically Disordered Protein Dynamics Through NMR Relaxation Experiments
Published on: November 1, 2024
12:47Nuclear Magnetic Resonance Spectroscopy for the Identification of Multiple Phosphorylations of Intrinsically Disordered Proteins
Published on: December 27, 2016
相关概念视频
NMR Spectrometers: Resolution and Error Correction
Applications Of NMR In Biology
Double Resonance Techniques: Overview
Spin decoupling is usually achieved by...
Two-Dimensional (2D) NMR: Overview
The first step is the preparation period, during which nucleus A is excited with a radiofrequency pulse....
2D NMR: Overview of Homonuclear Correlation Techniques
COSY90 is the standard two-dimensional (2D) COSY experiment that...
Nuclear Magnetic Resonance (NMR): Overview
NMR spectroscopy generates a spectrum where the characteristic absorption frequencies of the sample are...
