[논문 리뷰] Accelerated Nuclear Magnetic Resonance Spectroscopy with Deep Learning

Xiaobo Qu, Yihui Huang외 6명|arXiv (Cornell University)|2019. 04. 09.

NMR spectroscopy and applications인용 수 13

한 줄 요약

이 논문은 실존하는 실험 데이터가 아닌 합성 NMR 신호로만 훈련된 신경망을 사용하여 고도로 미리 샘플링된 데이터에서 고정밀도 NMR 스펙트럼을 복원함으로써 핵자기공명(NMR) 분광법의 속도를 가속화하는 딥러닝 프레임워크를 제시한다. 이 방법은 대규모 실측 실험 데이터가 필요로 하지 않으며, 상태의 최고 수준의 재구성 품질과 속도를 달성하며 실제 NMR 데이터셋에서 뛰어난 강건성과 성능을 보여준다.

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.

연구 동기 및 목표

• NMR 분광법의 장기적인 측정 시간이 고속 스트림 환경에서의 실용적 응용을 제한하는 문제를 해결하기 위해.
• 딥러닝 모델 훈련을 위한 대규모 실측 NMR 데이터 의존도를 줄이기 위해.
• 스펙트럼의 정밀도를 유지하면서 NMR 실험의 가속화를 가능하게 하는 딥러닝 기반 재구성 방법을 개발하기 위해.
• 실제 데이터 없이도 합성 NMR 신호로만 신경망을 훈련시키는 것이 가능한지 검증하기 위해.
• 최소한의 훈련 데이터로도 실제 NMR 데이터셋에서의 방법의 강건성과 신뢰성을 입증하기 위해.

제안 방법

• 실제 실험 데이터가 아닌 알려진 스펙트럼 파rameter에서 생성된 합성 NMR 신호만을 사용하여 딥 네트워크를 훈련시켜 실측 데이터가 필요 없도록 한다.
• 네트워크 아키텍처는 NMR 신호의 본질적 구조를 활용하여 고도로 미리 샘플링된 k-space 데이터에서 전체 NMR 스펙트럼을 재구성하도록 설계된다.
• 훈련 과정에서 시간 도메인과 주파수 도메인 양쪽에서 재구성된 스펙트럼과 기준 합성 스펙트럼 간의 차이를 최소화하는 손실 함수를 사용한다.
• 재구성 과정에서 세부 스펙트럼 정보를 유지하기 위해 U-Net 유사 아키텍처와 스킵 연결을 활용한다.
• 사전 훈련된 모델을 실측 NMR 데이터로 미세조정하여 일반화 능력과 강건성을 향상시킨다.
• 다양한 실험 조건에서 시뮬레이션 및 실측 NMR 데이터셋을 사용하여 접근법을 검증한다.

실험 결과

연구 질문

• RQ1 실제 훈련 데이터가 없이도 깊이 있는 신경망이 심각하게 미리 샘플링된 데이터에서 고정밀도 NMR 스펙트럼을 재구성할 수 있는가?
• RQ2 합성 NMR 신호로 사전 훈련된 모델이 실측 NMR 스펙트럼으로의 일반화 능력은 얼마나 되는가?
• RQ3 스펙트럼 해상도와 정확도를 유지하면서 달성 가능한 가속도 요인은 무엇인가?
• RQ4 피크 위치, 강도, J-결합과 같은 중요한 스펙트럼 특징을 유지할 수 있는가?
• RQ5 기존 압축 센싱 기법과 다른 딥러닝 방법에 비해 성능는 어떻게 비교되는가?

주요 결과

• 가속도 요인이 최대 10×까지 가능하여 측정 시간을 크게 단축시키는 고품질 NMR 스펙트럼 재구성 성과를 달성했다.
• 실제 데이터 없이 합성 데이터로만 훈련된 네트워크가 스펙트럼 정밀도와 해상도 측면에서 기존 압축 센싱 방법을 뛰어넘었다.
• 피크 위치, 강도, J-결합과 같은 중요한 스펙트럼 특징을 높은 정확도로 유지했다.
• 소량의 실측 데이터로 합성 데이터 훈련 모델을 미세조정함으로써 실측 데이터셋에서의 재구성 품질이 더욱 향상되었다.
• 2D HSQC 및 COSY 스펙트럼을 포함한 다양한 NMR 실험에서 뛰어난 강건성을 보였다.
• 높은 가속도 요인에서도 완전 샘플링된 스캔 수준의 재구성 품질을 달성했다.