《Proceedings of the National Academy of Sciences》:Two-dimensional NMR from a single pulse: Reconstructing heteronuclear 2D spectra via off-resonance decoupling and deep neural networks
编辑推荐:
本文介绍了一种创新的NMR(核磁共振)技术,该研究旨在解决传统二维异核相关谱实验在探测大分子蛋白质时,因信号衰减和分辨率受限而难以获取高质量谱图的难题。研究人员结合“单脉冲”激发、离共振连续波去耦合技术与深度神经网络,成功重构了高质量的甲基1H–13C二维相关谱。该策略成功应用于8 kDa至530 kDa的多种蛋白质样本,证明其可显著提升大分子体系NMR检测的灵敏度与分辨率。该工作为发展结合定制化实验与深度学习的多维NMR方法学提供了新范式,对推动结构生物学、生物物理及化学生物学等领域的发展具有重要意义。
在化学、材料科学、生物物理学和结构生物学等领域,核磁共振(Nuclear Magnetic Resonance, NMR)光谱学是一种不可或缺的强大工具。特别是异核二维(two-dimensional, 2D)NMR实验,它为研究蛋白质等生物分子的结构和动力学奠定了基础。想象一下,科学家们试图通过NMR“看到”蛋白质在溶液中的精细结构和动态变化,这对于理解生命过程、药物作用机制至关重要。然而,一个长期的难题横亘在前:当研究对象——蛋白质分子变得越来越大时(例如超过100 kDa),其内部原子核的横向弛豫时间会急剧变短。这意味着,在传统的基于傅里叶变换的NMR实验中,那些用于转移磁化矢量和化学位移编码的延迟时间变得相对过长,宝贵的信号在等待“被读取”的过程中就迅速衰减、变宽甚至消失了。这使得获取大型蛋白质分子清晰的高质量二维相关谱(如1H–13C或1H–15N)变得异常困难,限制了对许多重要生物大分子体系(如大型蛋白质复合物、分子机器)的研究。
有没有一种方法,能绕过这些耗时的延迟步骤,像按下“快门”一样快速捕捉到信号呢?这正是本项发表在《Proceedings of the National Academy of Sciences》上的研究所要回答的核心问题。研究人员提出了一个大胆的设想:能否仅用一个脉冲就获取二维相关信息?他们设计了一种革命性的“单脉冲”策略,用离共振连续波去耦合取代了传统实验中的磁化转移期和演化延迟,并结合深度神经网络从采集的数据中重建出标准的二维相关谱。这就像是只用一张特殊编码的“照片”,通过人工智能算法解码出包含丰富细节的“三维地图”。该研究成功展示了从仅包含一个1H激发脉冲和后续13C离共振去耦合的实验中,重建出高质量甲基1H–13C二维相关谱。研究人员在多种蛋白质上验证了该方法的有效性,包括约8 kDa的人HYPA/FBP11 FF结构域、约18 kDa的T4噬菌体溶菌酶、约360 kDa的来自嗜酸热原体(Thermoplasma acidophilum)蛋白酶体的α7α7颗粒,以及一个约530 kDa的祖先重建L8S8Rubisco复合物。这项研究揭示了通过设计与深度神经网络协同工作的NMR实验,来提升光谱灵敏度和分辨率的巨大潜力。
为开展此项研究,研究人员综合运用了多项关键技术。在样本制备上,他们使用了定点同位素标记技术,在氘代背景中特异性富集了异亮氨酸、亮氨酸和缬氨酸(Isoleucine, Leucine, Valine, ILV)残基上的13CHD2甲基基团,构建了多个分子量跨度的蛋白质研究样本。在数据采集方面,核心是创新的“单脉冲”实验序列:仅使用一个1H(π/2)激发脉冲,随后在施加不同频率偏移的13C连续波去耦场的同时,采集1H的自由感应衰减信号。研究人员使用了两个不同场强(B1= 110 Hz 和 220 Hz)的13C去耦场采集离共振数据集,以提供更丰富的信息。在数据分析与谱图重构环节,他们利用基于布洛赫方程的模拟生成了海量合成数据,用于训练一个包含约450万个权重的七层卷积深度神经网络。该网络被训练将实验采集的离共振数据集转换成标准的二维1H–13C相关谱。所有NMR实验均在16.4 T(700 MHz)的谱仪上完成。
<结果>结果>
简要概述单脉冲方法
在单脉冲实验中,一个1H激发脉冲后,施加不同频率偏移(νRF)的13C连续波去耦,同时采集1H信号。当去耦频率远离13C核的共振频率时,1H谱呈现双峰;当去耦频率接近共振频率时,双峰逐渐塌陷为单峰,形成一个以1H和13C化学位移为中心的独特“X”形图案。这个由一系列不同偏移下1H谱构成的离共振数据集,包含了1H和13C的化学位移信息。
将单脉冲方法应用于蛋白质样本
即使在像FF结构域(~8 kDa)这样的小蛋白上,其甲基ILV的离共振数据集也存在严重重叠。为了减少重叠,研究人员从一个在-50 ppm处(远离共振)进行13C去耦采集的1H一维参考谱中,减去了每个离共振谱。这个“差值”离共振数据集减少了重叠和基线干扰。
开发深度神经网络将离共振数据集转化为1H–13C相关谱
研究人员训练了一个简单的卷积神经网络,使用合成的离共振数据集(对应两个B1场)及其对应的目标1H–13C相关谱(用高斯峰表示)进行监督学习。网络成功学会了从复杂的离共振数据中提取特征,并将其转化为标准的二维相关谱。
从离共振数据集重建实验蛋白质甲基1H–13C相关谱
训练好的神经网络成功地将FF结构域和T4溶菌酶的实验离共振数据集转换成了高质量的1H–13C HMQC(异核多量子相关)类型谱图。重建谱图中的峰位置与标准HMQC谱图高度一致,1H和13C化学位移的均方根偏差分别在~3 ppb和~30 ppb以内。
评估转换的定量性质
为了评估重建谱峰强度的可靠性,研究人员混合了T4溶菌酶和FF结构域的离共振数据集(比例1:0.5和1:1.5),并用神经网络重建。结果显示,T4溶菌酶峰的强度在两次重建中基本一致,而FF结构域峰的强度比接近预期的3倍(1.5/0.5)。这表明神经网络重建谱的峰强度具有合理的定量意义。
重建大型蛋白质寡聚体的异亮氨酸1H–13C相关谱
研究进一步将该方法应用于更大的体系。对于~360 kDa的α7α7蛋白酶体颗粒,在50°C和更具挑战性的10°C下,单脉冲/神经网络重建的甲基1H–13C相关图质量与HMQC(异核多量子相关谱)及ddHMQC(延迟去耦异核多量子相关谱)相当甚至更优。对于~530 kDa的L8S8Rubisco复合物(10°C),在HMQC和ddHMQC谱中严重重叠的峰,在神经网络重建的谱图中变得可见且可分辨。这表明对于弛豫性质不利的超大分子,单脉冲策略在获取1H–13C相关谱方面可能优于传统的傅里叶变换二维实验。
<讨论>讨论>
本研究通过开发一个深度神经网络,成功地从单脉冲实验获取的离共振数据集中重建了小型到大型蛋白质的甲基1H–13C相关谱,证明了单脉冲实验结合深度学习能够为大型蛋白质复合物提供高分辨率的二维相关谱。尽管这仅是一项原理验证性研究,并且目前仅针对13CHD2标记的蛋白质,但它为将该策略拓展至更复杂的自旋体系(如均匀13C标记蛋白质中的13CH3甲基和芳香基团)乃至三维NMR实验铺平了道路。
与传统的傅里叶变换方法相比,单脉冲/深度学习策略有其特点。在传统实验中,间接维的所有演化点只要演化时间不长于横向弛豫时间T2,就都对最终信号有贡献。而在本单脉冲实验中,只有当13C去耦偏移接近13C核的化学位移时,采集的数据才对信号有显著贡献。此外,神经网络执行的是非线性变换,因此不会将高斯噪声转化为高斯噪声,对重建谱中小特征的解读需谨慎。
本研究尚有改进空间。例如,可以使用多频率13C照射来加速数据采集。本研究采用的神经网络相对简单,更大、更先进的网络架构有望获得更好的重建效果和更可靠的不确定性估计。研究中使用的两个B1场(110/220 Hz)和200个13C偏移是经过初步筛选的,进一步优化这些参数可能会提高重建谱的灵敏度和分辨率。甚至可以考虑训练能结合常规HMQC/HSQC和离共振数据集来生成更高分辨率二维相关谱的神经网络。
总之,这项研究不仅展示了单脉冲/深度学习策略在获取无INEPT( insensitive nuclei enhanced by polarization transfer, 极化转移增强不敏感核)转移延迟的二维NMR谱方面的巨大潜力,更广泛地证明了将新NMR实验开发与定制化深度神经网络相结合,从信息丰富的复杂数据中重建易于解读的NMR谱,是提取最优信息的一个极具前景的新范式。这为未来研究超大分子组装体的结构和动力学开辟了新的可能性。