Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

Amélioration de l'intégration RMN robotisée en apprenant profondément

insights from industryFederico ParuzzoData ScientistBruker BioSpin Corporation

Dans cette entrevue, le scientifique Federico Paruzzo de caractéristiques discute comment Bruker a employé apprendre profondément à développer le sigreg, la première commande machine machine apprendre procurable en logiciel de TopSpin de Bruker. Sigreg exécute le dépistage automatique sans paramètres de région de signe pour 1des spectres rmn de H et prépare le terrain pour une pleine automatisation d'analyse spectrale. Federico partagera des petits groupes sur cette méthode neuve, discuter son rendement, et le comparer à autre approche procurable.

Comment la caractéristique RMN de signe est-elle type intégrée ?

Avec RMN, il est important de trouver et intégrer chaque région de signe en spectre. Vous pouvez alors employer cette information pour mesurer vos composés, par exemple, ou pour faire des mesures de relaxation. Il y a actuel plusieurs voies de faire ceci utilisant TopSpin.

  • Manuel-intégration

L'intégration manuelle est la méthode d'intégration la plus utilisée généralement. Dans TopSpin, ceci peut être exécuté par l'hublot de manuel-intégration en sélectant et en intégrant chaque région de signe en spectre séparé.

Tandis que ce procédé est simple et très utilisé, il peut être long et parfois peut également se sentir frustrant. Il peut prendre environ 20 à 25 secondes pour intégrer un spectre rmn simple, mais imagine si vous devez traiter des dizaines de spectres dans un jour. Cela prend encore plus longtemps quand vous devez traiter des spectres plus compliqués.

  • Automatique-intégration

Il y a des méthodes pour faire cette intégration automatiquement, comme, par exemple, la commande d'automatique-intégration procurable dans TopSpin. Cependant, le résultat n'est pas optimal et n'apparie pas bien ce que nous ferions manuellement.

Cette commande, en particulier, dépend de beaucoup de paramètres et si vous réglez avec précision tous, vous pouvez obtenir un meilleur résultat. Cependant, ce réglage fin est très long, encombrant, et il peut éviter l'utilisation de cette commande pour l'intégration automatique de beaucoup de différents spectres.

  • commande d'apbk

Une autre alternative est la commande d'apbk. La commande d'apbk est une commande neuve introduite dans Topspin, pour faire la rectification automatique de phase et de ligne zéro des éventails des noyaux de X.

Maintenant, vous pourriez préciser que cette commande n'est pas censée pour être employée sur 1des spectres de H, qui est correcte. C'est pourquoi vous devez forcer la commande d'apbk de travailler sur 1des spectres de H utilisant l'indicateur « - f ». En faisant cela, vous obtiendrez les régions de signe automatiquement trouvées. Mais de nouveau, ce résultat est loin de ce que vous sélecteriez manuellement. Ce n'est pas étonnant, car la commande d'apbk n'a pas été signifiée de travailler sur 1des spectres de H. Ainsi, ce n'est pas une alternative précieuse à l'intégration manuelle.

Crédit d'image : Angellodeco de Shutterstock/

Comment Bruker emploie-t-il apprendre profondément à améliorer l'intégration RMN robotisée ?

Le défi pour notre équipe était pour demander, « pouvons-nous faire mieux ? Pouvons nous développer une commande qui intègre les régions de signe la même voie qu'un usager, sans exiger le réglage fin de tant de paramètres ? »

Pour faire ceci, nous avons formé un réseau neuronal profond pour interpréter des spectres rmn utilisant apprendre dirigé. Nous avons besoin de beaucoup de caractéristiques de formation, iin la forme des spectres rmn avec les marques pour la propriété que nous voulons apprendre (dans ce cas, régions de signe), et nous devons produire notre réseau neuronal profond.

En donnant notre formation réglée au réseau neuronal, nous formons notre réseau neuronal. Une fois que le réseau est formé, nous pouvons prendre un spectre neuf, le donnons au réseau, et il sortira les marques prévues.

Comme un jeu de formation, nous a employé 500.000 spectres rmn artificiellement 1produits de H. Nous avions l'habitude différentes fréquences de base (de 80 à 800 mhz) pour produire des spectres, ainsi qu'un large éventail d'intensités de rapport et dissolvantes signal/bruit.

Pour apprendre, nous avons décidé d'établir un réseau neuronal circonvolutionnaire qui a été inspiré par l'U-Réseau. L'U-Réseau est un réseau neuronal entièrement circonvolutionnaire utilisé pour la segmentation d'image dans des applications biomédicales.

En combinant le réseau avec le jeu de formation, nous avons produit le sigreg, la toute première commande machine machine apprendre procurable dans TopSpin. Sigreg te permet de faire un complètement automatique, sans paramètre, dépistage de région de signe dans 1des spectres rmn de H.

Comment avez-vous vérifié les limites de votre modèle ?

Pour vérifier les limites de cet algorithme nous avons produit un spectre simple, un spectre artificiel fait en seulement un centre de singulet le 19h5 où nous avons alors vérifié les limites du dépistage du modèle par la variation signal/bruit, de l'intensité dissolvante, et de la ligne largeur.

Contrôle contre signal/bruit. Nous avons maintenu l'intensité du signe continuelle et avons changé la valeur de bruit afin d'apparier différentes valeurs des rapports signal/bruit.

Sigreg se comporte bien avec un rapport signal/bruit de 100 et de 20. À un rapport de signal-bruit de 10, le sigreg peut encore trouver les crêtes, mais cette valeur est une limite de morceau parce que c'est la limite que nous avons imposée dans notre jeu de formation.

Comme résultat, un rapport signal/bruit inférieur que dix, sigreg ne peut pas trouver la crête plus. Nous continuerons à développer cet algorithme ainsi, à l'avenir, je ne serons pas étonnés si nous pouvons aller abaisser des valeurs de signal/bruit.

Contrôle contre l'intensité dissolvante. Nous avons légèrement changé de vitesse notre crête d'intérêt de 7,5 à 7,3 pages par minute et avons ajouté une deuxième crête avec une intensité plus normale qui simule la présence d'une crête dissolvante.

Nous avons vérifié les limites du dépistage en maintenant le signal/bruit de notre crête d'intérêt continuelle et en variant l'intensité dissolvante. Sigreg fonctionne très bien avec les crêtes dissolvantes qui sont dix ou cents fois plus grande que la crête d'intérêt.

Quand le solvant devient trois commandes ou plus grand que notre crête d'intérêt, le sigreg peut encore trouver notre signe. Cependant, si les limites du dépistage sont beaucoup plus élevées, l'endroit trouvé est beaucoup plus grand, signifiant que le sigreg devient moins précis. Si le solvant est plus de mille fois plus grand que notre signe d'intérêt, alors le sigreg ne peut pas trouver le signe plus.

Contrôle contre la ligne largeur. De nouveau, nous avons employé une crête unique et avons maintenu la constante d'intensité. Nous avons maintenu également le sans modification de niveau signal/bruit, et avons juste changé la ligne largeur de notre crête. Sigreg s'est comporté bien pour un large éventail de ligne largeurs qui s'est échelonnée de 5 à 500 hertz.

Comment le sigreg exécute-t-il avec les spectres rmn expérimentaux ?

Pour évaluer le rendement de notre modèle, nous avons fait fonctionner le sigreg sur 100 spectres rmn expérimentaux. Les signes dans les spectres rmn expérimentaux ont été marqués par nos experts RMN.

Nous avons constaté que le nombre de signes trouvés par nos experts marque bien avec le nombre de signes trouvés par le sigreg.

Crédit d'image : Shutterstock/Lisa-s

Comment est-ce que ceci compare aux autres commandes ?

L'intégration automatique donne des résultats raisonnables, mais la convention avec les experts est comparée beaucoup inférieur à la convention entre le sigreg et les experts. Apbk, au lieu de cela, tend à l'underpick fortement, signifiant qu'il trouve moins de signes que les experts. Ce n'est pas étonnant, car l'apbk n'a pas été développé pour travailler 1aux spectres rmn de H.

Ayant des spectromètres qui s'échelonnent de 80 mhz à 1,2 gigahertz, chez Bruker nous sommes également très intéressés à ajouter une commande qui exécute bien plus d'un large éventail de fréquences de base. Vingt-cinq de nos spectres ont été obtenus à 80 mhz avec l'instrument RMN de benchtop neuf de Bruker Fourier 80, et 75 ont été obtenus à de plus hautes fréquences, à partir de 300 mhz et plus haut. Sigreg a également montré pour être moins dépendant de la fréquence de base comparée les deux aux autres commandes.

Comment prévoyant l'aide1 de rayure de F confirme l'exactitude du sigreg ?

Même si le nombre de crêtes nous donne une idée de la façon dont cet algorithme fonctionne, il ne donne pas réellement une idée de l'exactitude. Et c'est pourquoi, pour estimer le rendement du modèle, nous avons décidé de prévoir la rayure1 de F pour chaque spectre.

Si vous n'êtes pas au courant du concept, la rayure1 de F est une métrique qui est employé dans l'analyse statistique pour évaluer l'exactitude des modèles binaires de catégorie. La force de la rayure1 de F se situe dans le fait qu'elle dépend de la précision et du rappel. La précision nous indique combien les dépistages de région de signe sont des régions réelles de signe. C'est donné par les positifs vrais (les régions de signe trouvées comme régions de signe), au-dessus du montant des positifs vrais et des faux positifs (les régions de bruit trouvées comme régions de signe).

Tandis que le rappel nous indique lesquelles des régions de signe sont trouvées par le modèle. C'est donné par les positifs vrais (les signes trouvés comme signes), au-dessus du montant des positifs vrais et des faux négatifs. Les faux négatifs sont les régions de signe qui sont trouvées comme bruit.

Nous avons prévu la rayure1 de F pour chacun des 100 spectres. Sigreg donne de meilleurs résultats comparés les deux aux autres commandes, en termes de rayure1 de F. Nous avons une vingtaine F1 moyenne de 94,8% utilisant le sigreg, avec la plupart des spectres ayant une rayure F1 plus de 95%.

L'intégration automatique, de l'autre côté, a une vingtaine inférieure de la moyenne1 F de 87,1%. Les rayures F1 pour les spectres uniques sont également beaucoup plus ont écarté comparé au sigreg, avec certains des spectres en dessous des rayures plus bas que 60%.

Le résultat le plus inférieur était donné par l'apbk, 80%, avec écarter beaucoup plus haut. C'est toujours un résultat remarquable pour l'apbk, considérant cette commande n'a pas été développé pour travailler 1aux spectres rmn de H.

Nous pouvons également vérifier comment ces résultats dépendent de la fréquence de base en regardant les résultats que nous avons obtenus à 80 mhz. L'intégration automatique fournit certains des meilleurs résultats à la basse fréquence. Apbk de l'autre côté donne le plus mauvais résultat avec des spectres de 80 mhz. Sigreg est le seul qui donne des résultats comparables de 80 à 800 mhz.

Combien facile est-il pour employer le sigreg ?

Utilisant le sigreg est très simple. Tout que vous devez faire est d'ouvrir votre ensemble de données dans TopSpin, vous tapez le « sigreg, » et vous obtenez votre détecteur de région de signe en juste quelques millisecondes. Il n'y a aucun paramètre à installer. Vous pouvez également facilement inclure le graphique dans votre sous-programme automatique à l'aide du macro ` SIGREG' dans vos programmes d'AU.

Sigreg fonctionne avec les spectres complexes. Nous avons prouvé que cela fonctionne également très bien à trouver les crêtes grandes, avec les spectres bruyants, et avec des spectres avec une grande crête dissolvante. Quand il s'agit de distorsion de phase, le sigreg peut également trouver des crêtes en quelques phases des spectres fournissant que la distorsion de phase est raisonnable.

Sigreg est compris dans la dernière version de TopSpin. Nous espérons que vous le vérifierez à l'extérieur et nous enverrez votre contrôle par retour de l'information.

Citations

Please use one of the following formats to cite this article in your essay, paper or report:

  • APA

    Bruker BioSpin - NMR, EPR and Imaging. (2020, December 16). Amélioration de l'intégration RMN robotisée en apprenant profondément. News-Medical. Retrieved on April 19, 2021 from https://www.news-medical.net/news/20200430/Improving-Automated-NMR-Integration-Through-Deep-Learning.aspx.

  • MLA

    Bruker BioSpin - NMR, EPR and Imaging. "Amélioration de l'intégration RMN robotisée en apprenant profondément". News-Medical. 19 April 2021. <https://www.news-medical.net/news/20200430/Improving-Automated-NMR-Integration-Through-Deep-Learning.aspx>.

  • Chicago

    Bruker BioSpin - NMR, EPR and Imaging. "Amélioration de l'intégration RMN robotisée en apprenant profondément". News-Medical. https://www.news-medical.net/news/20200430/Improving-Automated-NMR-Integration-Through-Deep-Learning.aspx. (accessed April 19, 2021).

  • Harvard

    Bruker BioSpin - NMR, EPR and Imaging. 2020. Amélioration de l'intégration RMN robotisée en apprenant profondément. News-Medical, viewed 19 April 2021, https://www.news-medical.net/news/20200430/Improving-Automated-NMR-Integration-Through-Deep-Learning.aspx.