近日，我院电子科学系/福建省等离子体与磁共振重点实验室在著名期刊《Angewandte Chemie-International Edition》(JCR一区, 2018 Impact Factor 12.26)上发表文章 Accelerated Nuclear Magnetic Resonance Spectroscopy with Deep Learning (Xiaobo Qu*, Yihui Huang, Hengfa Lu, Tianyu Qiu, Di Guo, Tatiana Agback, Vladislav Orekhov, Zhong Chen*, DOI: 10.1002/anie.201908162, 2019)，该文获得审稿人高度评价“Highly Important”和“Very Important” （TOP 10%）。

 磁共振波谱在现代化学、生物和医学等领域具有极其重要的作用，例如复杂蛋白质结构表征。但磁共振波谱数据采集时间随着数据的维度和分辨率的增加极速上升。过长的数据采集时间成为了该技术发展的瓶颈。利用非均匀采样技术，即实验过程只采集一小部分的数据，可以极大的减少实验时间。但如何可靠、快速地从采集到的有限数据中重建出完整的磁共振波谱是亟待解决的重要问题。

 该论文在快速磁共振波谱领域首次提出并成功实现利用深度学习实现快速、可靠和高质量重建磁共振波谱的人工智能方法。所提方法能够在提供和前沿方法同等水平的重建质量的同时，实现在二维数据重建速度上比前沿方法（屈小波教授2015年在Angewandte Chemie-International Edition上发表的低秩Hankel矩阵重建方法，DOI:10.1002/anie.201409291）快约12～25倍，在三维数据重建上快约5～8倍。此外，该方法只需使用仿真的指数信号训练深度学习网络，克服了深度学习需要大量实测实验数据而磁共振波谱实验有难以提供的问题。一个训练完成的网络，可以对不同蛋白质样品的不同波谱数据进行重建，只需满足待重建的波谱维度和训练数据的维度一致，如都是二维波谱。

 该论文设计了一个基于卷积神经网络的深度学习方法用于快速采样磁共振波谱数据的可靠、高精度重建。该网络主要由密集连接卷积模块和数据校验模块组成，网络学习一个从由于非均匀采样造成的带伪影的波谱到“干净”无伪影的波谱的端到端的映射。网络一经训练完成，输入非均匀采样的波谱数据，网络可以快速计算得到完整、高质量的波谱。

 提出的深度学习方法可以对非均匀采样的小蛋白、大蛋白和无序蛋白磁共振波谱进行高质量和快速的重建。重建波谱与全采样参考波谱的谱峰相关性的平方超过0.99，且重建谱峰的峰型与全采样参考波谱峰型高度相似。此外，与前沿的重建方法相比，提出的深度学习方法可以实现更高的数据采集加速倍速，进一步缩减实验所需时间。该方法有望拓展到更高维数据重建和不同的磁共振实验，如磁共振扩散谱，进一步扩大应用范围。

 人工智能重建结果。(a)100%采样数据参考波谱，(b)25%采样数据重建波谱，(c)重建谱峰与参考谱峰峰高相关性，(d)不同采样数据量下人工智能与低秩Hankel矩阵方法的谱峰相关性，（e-f）典型谱峰线型。

 该项工作由我院屈小波教授及其领导的计算感知实验室成员黄奕晖、鲁恒发、邱天予，以及陈忠教授、厦门理工学院郭迪副教授、瑞典农业科学大学Tatiana Agback博士、瑞典哥德堡大学Vladislav Orekhov教授等合作完成。屈小波教授和陈忠教授共同担任通讯作者。

 该研究工作得到国家自然科学基金委员会与瑞典科研与教育国际合作基金会合作交流项目(61811530021)、国家自然科学基金(61571380, 61971361, 61871341, U1632274)、国家重点研发计划(2017YFC0108703)、瑞典研究委员会(2015–04614)和瑞典战略研究基金会 (ITM17-0218)等项目的资助。

 论文链接: https://doi.org/10.1002/anie.201908162

 计算感知实验室: http://csrc.xmu.edu.cn

 福建省等离子体与磁共振研究重点实验室: http://pmr.xmu.edu.cn/

（电子科学与技术学院（国家示范性微电子学院））