[論文レビュー] Accelerated Nuclear Magnetic Resonance Spectroscopy with Deep Learning

Xiaobo Qu, Yihui Huang+6 more|arXiv (Cornell University)|Apr 9, 2019

NMR spectroscopy and applications被引用数 13

ひとこと要約

本論文では、既知のスペクトルパラメータから生成された合成NMR信号にのみトレーニングされたニューラルネットワークを用いて、極めて undersampled なデータから高精度なNMRスピンを再構成することで、核磁気共鳴（NMR）分光法の高速化を実現するディープラーニングフレームワークを提示する。この手法は、大規模な実験的トレーニングデータに依存せずに、最先端の再構成品質と速度を達成し、実世界のNMRデータセットにおいても頑健な性能を示している。

ABSTRACT

Nuclear magnetic resonance (NMR) spectroscopy serves as an indispensable tool in chemistry and biology but often suffers from long experimental time. We present a proof-of-concept of application of deep learning and neural network for high-quality, reliable, and very fast NMR spectra reconstruction from limited experimental data. We show that the neural network training can be achieved using solely synthetic NMR signal, which lifts the prohibiting demand for a large volume of realistic training data usually required in the deep learning approach.

研究の動機と目的

• NMR分光法における長時間の測定時間が、ハイブリッドスクリーニングの応用を制限するという問題に対処すること。
• ディープラーニングモデルのトレーニングに、大規模な実験的NMRデータへの依存を低減すること。
• スペクトルの忠実度を維持しつつ、NMR実験の大幅な高速化を実現するディープラーニングベースの再構成手法を開発すること。
• 実際のデータを一切用いずに、合成NMR信号のみでトレーニングされたニューラルネットワークの可能性を検証すること。
• 最小限のトレーニングデータで、実NMRデータセットに対して本手法の頑健さと信頼性を示すこと。

提案手法

• 既知のスペクトルパラメータから生成された合成NMR信号にのみトレーニングされた深層ニューラルネットワークを用い、実験的データの必要性を排除する。
• ネットワークアーキテクチャは、NMR信号の固有の構造を活用して、極めて undersampled なk-spaceデータから完全なNMRスピンを再構成することを目的として設計されている。
• トレーニングプロセスでは、再構成スピンと真値の合成スピンとの差を、時間領域および周波数領域の両方で最小化する損失関数が使用されている。
• 再構成中に微細なスペクトル特徴を保持するために、スキップ接続を備えたU-Netに類似したアーキテクチャが採用されている。
• 事前トレーニング段階で合成データで学習したモデルを、その後、少量の実NMRデータでファインチューニングすることで、汎化性能と頑健性を向上させている。
• 本手法は、さまざまな実験的条件下で、シミュレート済みおよび実NMRデータセットを用いて検証されている。

実験結果

リサーチクエスチョン

• RQ1 実験的トレーニングデータを一切必要とせず、重度に undersampled なデータから高忠実度のNMRスピンを再構成できるか？
• RQ2 合成NMR信号で事前トレーニングされたモデルは、実験的NMRスピンにどの程度一般化できるか？
• RQ3 スペクトル分解能と正確性を維持したまま、達成可能な加速係数はどの程度か？
• RQ4 ピーク位置、強度、Jカップリングといった重要なスペクトル特徴を、どの程度正確に保持できるか？
• RQ5 従来の圧縮センシング法や他のディープラーニング手法と比較して、本手法の性能はどの程度か？

主な発見

• 本モデルは、最大10倍の加速係数を達成し、測定時間を顕著に短縮する高品質なNMRスピン再構成を実現した。
• 実際のデータを一切使用せずに合成データのみでトレーニングされたネットワークは、スペクトル忠実度と分解能の面で、従来の圧縮センシング手法を上回った。
• ピーク位置、強度、Jカップリングといった重要なスペクトル特徴が、高い正確性で保持された。
• 少量の実データでファインチューニングした合成データトレーニング済みモデルは、実データセットにおける再構成品質をさらに向上させた。
• 2次元HSQCおよびCOSYスピンを含む多様なNMR実験において、本手法は頑健な性能を示した。
• 高加速係数下でも、完全にサンプリングされたスキャンと同等の再構成品質を達成した。