深度学习驱动的快速超高分辩核磁共振波谱技术突破与应用拓展

本刊推荐研究人员针对核磁共振（NMR）光谱在快速采集与高分辩率之间存在的技术矛盾，开展基于深度学习（DL）的纯位移NMR（pure shift NMR）研究，提出DRSN-PSNet神经网络架构，显著加速超高分辩一维及二维NMR谱图获取，实现高达20倍的时间效益，并成功应用于电催化反应原位监测与复杂混合物动态分析，为人工智能赋能NMR技术提供了创新范式。

　　

核磁共振（NMR）波谱技术作为解析分子结构、动态过程及相互作用的关键工具，长期以来在化学、生物及材料研究中占据核心地位。然而，其广泛应用却受制于一个根本矛盾：要实现更高的谱图分辨率，往往需要更长的信号采集时间；而追求快速采样，则常导致谱图质量下降、信号重叠或失真。这一矛盾在复杂体系（如生物大分子、化学反应中间体或异构体混合物）的分析中尤为突出。

传统的高分辨NMR手段如纯位移（pure shift）技术，虽可通过消除同核J耦合分裂效应将多重峰简化为单峰，显著提高谱图分辨率，但其数据采集通常需借助伪二维模式，引入额外维度的演化时间，致使实验耗时成倍增加。尤其在二维或多维纯位移NMR实验中，时间成本进一步放大，严重限制了该技术在实际场景（如实时反应监测或高通量筛选）中的应用。

近年来，非均匀采样（NUS）与压缩感知（CS）等算法被广泛用于加速多维NMR实验，但这类方法在纯位移NMR中表现不尽如人意。因其采样机制与常规NMR不同——纯位移实验中是以“数据块”（chunk）而非离散点为单位进行采样，传统重建算法在处理此类数据时容易出现伪峰或基线扭曲。尽管深度学习在NMR加速重建中展现出潜力，但针对二维及以上纯位移谱的智能重建研究仍较为缺乏。

在这一背景下，来自合肥工业大学与厦门大学的研究团队在《Cell Reports Physical Science》上发表了一项突破性研究，提出了一种基于深度残差收缩网络（DRSN-PSNet）的智能重建模型，能够大幅加速超高分辩纯位移NMR谱的获取，并成功将其拓展至二维谱图构建与化学反应原位监测中。该研究不仅克服了纯位移NMR固有的采样效率瓶颈，还为其在动态系统分析与实时观测中的应用开辟了新路径。

研究人员主要依托以下几项关键技术开展研究：首先，设计并训练了一种称为DRSN-PSNet的深度学习架构，该网络融合残差学习、注意力机制与自适应软阈值化模块，能够有效区份真实信号与采样伪迹；其次，采用基于物理机制的合成数据训练策略，通过模拟纯位移时间域信号（包括幅值、频率、弛豫时间与耦合常数等参数）生成4,000组数据对，避免了大规模实验数据标注的依赖；此外，结合指数型非均匀采样（NUS）方案对纯位移数据块进行稀疏采样；在应用层面，研究拓展至二维扩散有序谱（DOSY）、二维J分解谱（2DJ）以及电化学池内原位NMR监测，系统验证方法在复杂混合物和反应体系中的适用性。

DL enabled fast ultrahigh-resolution pure shift NMR implementation

通过DRSN-PSNet模型，研究团队在多种挑战性样本中实现了高质量的一维纯位移谱重建。以β-雌二醇为例，在仅使用16.1% NUS数据的情况下，该方法成功将采集时间从13分钟缩短至1分53秒，且重建谱与全采样参考谱的峰强度相关性（R2）高达97.79%。相比之下，其他深度学习模型（如DL-PSNMR、PS-ResNet）及传统压缩感知算法（IST-S）仍存在明显伪迹或基线失真。该模型还展现出对弱信号的高保真重建能力，如在(R)-(+)-柠檬烯与α-蒎烯混合样本中，即使弱信号强度仅为最高峰的2%，仍能被准确恢复。

Fast ultrahigh-resolution 2D NMR spectroscopy

研究成功将DRSN-PSNet拓展至二维纯位移NMR实验。在维生素D₃与前列腺维生素D₃异构体混合物的扩散有序谱（DOSY）分析中，尽管二者扩散系数差异不足5%，该方法依然能够清晰区分其分子动态特性，并保持所有扩散梯度下的R2值均高于98%。同样，在基于OPAM-2DJ序列的J分解谱实验中，研究在保持高分辨率的同时实现了2.5倍的加速倍率，清晰呈现了耦合结构信息。

Applications for in situ monitoring of electrochemical reactions

团队进一步将该方法应用于1-丁醇在Pt/C电极上电氧化反应的原位监测。尽管电解池装置会带来磁场不均匀性，结合空间选择性纯位移NMR技术，DRSN-PSNet成功实现了时间分辨的超高分辩谱采集，有效解析了反应物1-丁醇与产物丁酸在化学位移0.9 ppm附近的重叠峰，并全程保持R2 > 99.5%，证实该方法在实时反应监测中的高度可靠性。

DISCUSSION

本研究提出的DRSN-PSNet架构通过可学习的软阈值化操作和注意力机制，显著提升了对噪声和伪迹的抑制能力，即使在训练-测试数据间存在一定不匹配（如块数量、谱宽等参数差异）时仍表现稳健。此外，基于合成数据的训练策略在一定程度上矫正了纯位移NMR固有的定量误差问题，使重建结果更接近理想谱图。

研究同时讨论了该方法的局限性：极低信噪比样本仍可能影响重建质量；若测试数据与训练集差异过大，需重新训练网络；当前模型暂不适用于间接维度为点采样的纯位移二维谱（如COSY、TOCSY）。此外，深度学习模型的可解释性仍有待加强。

综上，该研究发展了一种基于深度学习的纯位移NMR智能加速方法，实现了高通量、高保真的超高分辩谱图重建，解决了该领域长期存在的“分辨率-时间”权衡难题，为NMR技术在动态系统分析、反应机理研究以及临床代谢组学等领域的更广泛应用提供了坚实支撑。