¹H核磁共振（NMR）是一种广泛应用的分析技术，可以用于化合物甚至结构复杂的蛋白质的结构分析。然而，由于¹H的标量偶合导致的谱峰分裂和窄的化学位移范围，谱图往往存在谱峰重叠严重和分辨率低的问题，这极大地影响了谱峰化学位移的正确识别。

为了去除标量偶合，纯化学位移技术逐渐发展起来，但是目前典型的纯化学位移技术存在着灵敏度损失严重、伪峰干扰、采样时间长等问题，解决这些问题将有助于谱图的分析。目前，深度学习在许多领域都有着广泛的应用，也可以被用于获取高质量化学位移谱。

近日，厦门大学林雁勤课题组提出基于深度学习获取化学位移谱的新方法。

Figure 1. 图文摘要

相关研究成果以“Deep learning enabled ultra-high quality NMR chemical shift resolved spectra”（《基于深度学习获取超高质量 NMR 化学位移谱》）为题发表在英国皇家化学会期刊 Chemical Science 上。杨铮显和蔡伟刚为共同第一作者，林雁勤教授为通讯作者。

为了获得高分辨率、高灵敏度的化学位移分辨谱，该团队构建了SE2CSNet（Spin Echo to Obtain Chemical Shift Network），用于对自旋回波脉冲序列采集的核磁共振数据进行处理。通过检测自旋回波谱中不同峰的相位变化，SE2CSNet可以准确识别谱峰的化学位移位置。

Figure 2. SE2CSNet的工作流程。数据尺寸用C×W×H表示，其中W为直接维数的大小或特征矩阵的宽度，H为间接维数的大小或特征矩阵的高度，C为通道数。

该网络在多个具有代表性的实验样品上进行了测试，结果表明网络可以从谱峰重叠严重以及低信噪比的谱图中准确地获取化学位移位置，并且没有强偶合伪峰和噪声，所获取的化学位移谱是高分辨率和高灵敏度的。

参考资料：

https://doi.org/10.1039/D4SC04742G

--------- End ---------

感兴趣的读者，可以添加小邦微信加入读者实名讨论微信群。添加时请主动注明姓名-企业-职位/岗位或姓名-学校-职务/研究方向。

厦门大学林雁勤团队: 基于深度学习获取超高质量NMR化学位移谱

参考资料：