Attenzione: questa pagina è una traduzione automatica di questa pagina originariamente in lingua inglese. Si prega di notare in quanto le traduzioni sono generate da macchine, non tutte le traduzioni saranno perfetti. Questo sito web e le sue pagine web sono destinati ad essere letto in inglese. Ogni traduzione del sito e le sue pagine web possono essere imprecise e inesatte, in tutto o in parte. Questa traduzione è fornita per comodità.

Miglioramento dell'integrazione RMN automatizzata con in profondità imparare

insights from industryFederico ParuzzoData ScientistBruker BioSpin Corporation

In questa intervista, lo scienziato Federico Paruzzo di dati discute come Bruker ha usato in profondità l'apprendimento sviluppare il sigreg, il primo al comando basato a commputer disponibile nel software del TopSpin di Bruker. Sigreg realizza la rilevazione automatica senza parametri di regione del segnale per 1gli spettri RMN di H e colloca la fase per un'automatizzazione completa dell'analisi spettrale. Federico dividerà i dettagli su questo nuovo metodo, discutere la sua prestazione e paragonarla ad altra si avvicina a disponibile.

Come i dati RMN del segnale sono integrati tipicamente?

Con RMN, è importante individuare ed integrare ogni regione del segnale nello spettro. Potete poi usare questi informazioni per quantificare i vostri composti, per esempio, o per fare le misure di rilassamento. Ci sono corrente parecchi modi fare questo facendo uso di TopSpin.

  • Manuale-integrazione

L'integrazione manuale è il metodo di integrazione più comunemente usato. In TopSpin, questo può essere eseguito attraverso la finestra di manuale-integrazione selezionando ed integrando ogni regione del segnale nello spettro esclusivamente.

Mentre questo trattamento è semplice ed ampiamente usato, può essere che richiede tempo ed a volte può anche ritenere frustrante. Può richiedere circa 20 - 25 secondi per integrare uno spettro RMN semplice, ma immagina se dovete occuparti dei dieci degli spettri in un giorno. Cattura ancora più lungamente quando dovete occuparti degli spettri più complicati.

  • Automatico-integrazione

Ci sono metodi per fare automaticamente questa integrazione, come, per esempio, il comando di automatico-integrazione disponibile in TopSpin. Tuttavia, il risultato non è ottimale ed abbastanza non abbina che cosa faremmo manualmente.

Questo comando, in particolare, dipende da molti parametri e se regolate tutti, potete ottenere un migliore risultato. Tuttavia, questo che si regola è molto che richiede tempo, ingombrante e può impedire l'uso di questo comando per l'integrazione automatica di molti spettri differenti.

  • comando del apbk

Un'altra alternativa è il comando del apbk. Il comando del apbk è un nuovo comando introdotto in Topspin, per fare la correzione automatica del riferimento e di fase delle gamme di nuclei di X.

Ora, potreste precisare che questo comando non è destinato per essere usato 1sugli spettri di H, che è corretto. Ecco perché dovete forzare il comando del apbk lavorare 1agli spettri di H facendo uso del flag “- f„. Facendo quello, otterrete le regioni del segnale individuate automaticamente. Ma ancora, questo risultato proviene lontano da cui selezionereste manualmente. Ciò non è sorprendente, poichè il comando del apbk non è stato significato lavorare 1agli spettri di H. Così, questa non è un'alternativa apprezzata ad integrazione manuale.

Credito di immagine: Angellodeco di Shutterstock/

Come Bruker sta usando in profondità l'apprendimento migliorare l'integrazione RMN automatizzata?

La sfida per il nostro gruppo era chiedere, “possiamo fare meglio? Possiamo sviluppare un comando che integra le regioni del segnale lo stesso modo che un utente, senza richiedere regolarsi di tanti parametri?„

Per fare questo, abbiamo preparato una rete neurale profonda per interpretare gli spettri RMN facendo uso dell'apprendimento sorvegliato. Abbiamo bisogno di molti dati di addestramento, iin il modulo degli spettri RMN con i contrassegni per i beni che vogliamo imparare (in questo caso, regioni del segnale) e dobbiamo creare la nostra rete neurale profonda.

Dando il nostro addestramento fissato al netto neurale, prepariamo la nostra rete neurale. Una volta che la rete è preparata, possiamo catturare un nuovo spettro, lo diamo alla rete e produrrà i contrassegni preveduti.

Come un insieme di addestramento, noi ha usato 500.000 spettri RMN artificialmente 1generati di H. Abbiamo usato le frequenze basse differenti (80 - 800 megahertz) per generare gli spettri come pure una vasta gamma di intensità solventi segnali-rumore e di rapporto.

Per imparare, abbiamo deciso di sviluppare una rete neurale dell'avvolgimento che è stata ispirata dal U-Netto. Il U-Netto è una rete neurale completamente dell'avvolgimento utilizzata per la segmentazione di immagine nelle applicazioni biomediche.

Combinando il netto con l'insieme di addestramento, abbiamo creato il sigreg, il primissimo al comando basato a commputer disponibile in TopSpin. Sigreg permette che facciate un completamente automatico, senza parametro, rilevazione di regione del segnale 1negli spettri RMN di H.

Come avete verificato i limiti del vostro modello?

Per verificare i limiti di questo algoritmo abbiamo creato uno spettro semplice, uno spettro artificiale fatto di soltanto un centro della maglietta giro collo su 7,5 PPM. Poi abbiamo verificato i limiti di rilevazione del modello variando l'intensità segnale-rumore e solvente e la riga larghezza.

Provando contro segnale-rumore. Abbiamo tenuto l'intensità del segnale costante ed abbiamo cambiato il valore di disturbo per abbinare i valori differenti dei rapporti segnali-rumore.

Sigreg esegue bene con un rapporto segnale-rumore di 100 e di 20. Ad un rapporto di segnale/disturbo di 10, il sigreg può ancora individuare i picchi, ma questo valore è un limite del bit perché questo è il limite che abbiamo imposto nel nostro insieme di addestramento.

Di conseguenza, ad un rapporto segnale-rumore più basso di dieci, sigreg non possono individuare il picco più. Continueremo sviluppare questo algoritmo così, in futuro, io non saremo sorpresi se possiamo andare abbassare i valori di segnale-rumore.

Provando contro l'intensità solvente. Leggermente abbiamo spostato il nostro picco di interesse da 7,5 a 7,3 PPM ed abbiamo aggiunto un secondo picco con il più alta intensità che simula la presenza di picco solvente.

Abbiamo verificato i limiti di rilevazione tenendo il segnale-rumore del nostro picco di interesse costante e variando l'intensità solvente. Sigreg funziona molto bene con i picchi solventi che sono dieci o cento volte più grande del picco di interesse.

Quando il solvente diventa tre ordini o più grandi del nostro picco di interesse, il sigreg può ancora individuare il nostro segnale. Tuttavia, se i limiti di rilevazione sono molto più alti, l'area individuata è molto più vasta, significando che il sigreg diventa meno accurato. Se il solvente è più di mille volte più grande del nostro segnale di interesse, quindi il sigreg non può individuare il segnale più.

Provando contro la riga larghezza. Di nuovo, abbiamo usato un singolo picco ed abbiamo tenuto la costante dell'intensità. Abbiamo tenuto egualmente l'immutato livellato segnale-rumore ed appena abbiamo cambiato la riga larghezza di nostro picco. Sigreg ha eseguito bene per una vasta gamma di riga larghezze che ha variato da 5 a 500 hertz.

Come il sigreg esegue con gli spettri RMN sperimentali?

Per valutare la prestazione del nostro modello, abbiamo eseguito il sigreg su 100 spettri RMN sperimentali. I segnali negli spettri RMN sperimentali sono stati contrassegnati dai nostri esperti RMN.

Abbiamo trovato che il numero dei segnali individuati dai nostri esperti correla bene con il numero dei segnali individuati da sigreg.

Credito di immagine: Shutterstock/Lisa-s

Come questo confronta agli altri comandi?

L'integrazione automatica fornisce risultati ragionevoli, ma l'accordo con gli esperti è molto più basso confrontato all'accordo fra sigreg e gli esperti. Apbk, invece, tende molto a underpick, significando che individua meno segnali che gli esperti. Ciò non è sorprendente, poichè il apbk non è stato sviluppato per lavorare 1agli spettri RMN di H.

Avendo spettrometri che variano da 80 megahertz a 1,2 gigahertz, a Bruker siamo egualmente molto interessati nell'aggiunta del comando che esegue bene sopra una vasta gamma di frequenze basse. Venticinque dei nostri spettri sono stati ottenuti a 80 megahertz con lo strumento RMN del nuovo benchtop di Bruker Fourier 80 e 75 sono stati ottenuti alle più alte frequenze, a partire da 300 megahertz e su. Sigreg egualmente ha indicato per essere meno dipendente dalla frequenza bassa confrontata agli altri due comandi.

Come calcolando la guida1 del punteggio di F conferma l'accuratezza di sigreg?

Anche se il numero dei picchi ci dà un'idea di come questo algoritmo funziona, realmente non dà un'idea dell'accuratezza. E ecco perché, stimare la prestazione del modello, abbiamo deciso di calcolare il punteggio1 di F per ogni spettro.

Se non avete una conoscenza di con il concetto, il punteggio1 di F è un metrico che è utilizzato nell'analisi statistica per valutare l'accuratezza dei modelli binari di classificazione. La resistenza del punteggio1 di F si trova nel fatto che dipende sia da precisione che dal richiamo. La precisione ci dice quante rilevazioni di regione del segnale sono regioni reali del segnale. Ciò è data dai positivi veri (le regioni del segnale individuate come regioni del segnale), sopra la somma dei positivi veri e dei falsi positivi (le regioni di disturbo individuate come regioni del segnale).

Mentre il richiamo ci dice quanto delle regioni del segnale sono individuati dal modello. Ciò è data dai positivi veri (i segnali individuati come segnali), sopra la somma dei positivi veri e dei falsi negativi. I falsi negativi sono le regioni del segnale che sono individuate come disturbo.

Abbiamo calcolato il punteggio1 di F per tutti e 100 i spettri. Sigreg fornisce migliori risultati confrontati agli altri due comandi, in termini di punteggio1 di F. Abbiamo un punteggio medio F1 di 94,8% facendo uso di sigreg, con la maggior parte degli spettri che hanno un punteggio F1 più di 95%.

L'integrazione automatica, dall'altro lato, ha un punteggio più basso di media1 F di 87,1%. I punteggi F1 per i singoli spettri sono egualmente molto più sparsi confrontato a sigreg, ad alcuni degli spettri sotto la segnatura più in basso di 60%.

Risultato più basso è stato fornito da apbk, 80%, con molto più sulla diffusione. Ciò è ancora un risultato notevole per apbk, considerante questo comando non è stata diventata per lavorare 1agli spettri RMN di H.

Possiamo anche controllare come questi risultati dipendono dalla frequenza bassa esaminando i risultati che abbiamo ottenuto a 80 megahertz. L'integrazione automatica fornisce alcuni di migliori risultati a bassa frequenza. Apbk dall'altro lato fornisce risultato peggiore con gli spettri di 80 megahertz. Sigreg è quello solo che fornisce risultati comparabili da 80 a 800 megahertz.

Quanto facile è per usare il sigreg?

Facendo uso di sigreg è molto semplice. Tutto che dobbiate fare è di aprire il vostro gruppo di dati in TopSpin, digitate “il sigreg,„ ed ottenete il vostro rivelatore di regione del segnale appena in alcuni millisecondi. Non ci sono parametri da installare. Potete anche comprendere facilmente il grafico nella vostra routine automatica usando il macro ` SIGREG' nei vostri programmi dell'AU.

Sigreg funziona con gli spettri complessi. Abbiamo indicato che egualmente funziona molto bene ad individuare i vasti picchi, con gli spettri rumorosi e con gli spettri con un grande picco solvente. Quando si tratta di deformazione di fase, il sigreg può egualmente individuare i picchi nelle fasi degli spettri che assicurano che la deformazione di fase è ragionevole.

Sigreg è incluso nell'ultima versione di TopSpin. Speriamo che lo proviate fuori e ci inviate il vostro feedback.

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). Miglioramento dell'integrazione RMN automatizzata con in profondità imparare. 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. "Miglioramento dell'integrazione RMN automatizzata con in profondità imparare". 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. "Miglioramento dell'integrazione RMN automatizzata con in profondità imparare". 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. Miglioramento dell'integrazione RMN automatizzata con in profondità imparare. News-Medical, viewed 19 April 2021, https://www.news-medical.net/news/20200430/Improving-Automated-NMR-Integration-Through-Deep-Learning.aspx.