Aviso: Esta página é uma tradução automática da página original em inglês. Por favor note uma vez que as traduções são geradas por máquinas, não tradução tudo será perfeita. Este site e suas páginas da Web destinam-se a ler em inglês. Qualquer tradução deste site e suas páginas da Web pode ser imprecisas e imprecisos no todo ou em parte. Esta tradução é fornecida como uma conveniência.

Melhorando a integração NMR automatizada com profundamente da aprendizagem

insights from industryFederico ParuzzoData ScientistBruker BioSpin Corporation

Nesta entrevista, o cientista Federico Paruzzo dos dados discute como Bruker usou profundamente a aprendizagem desenvolver o sigreg, o primeiro comando máquina-aprender-baseado disponível no software do TopSpin de Bruker. Sigreg executa a detecção automática parâmetro-livre da região do sinal para 1espectros NMR de H e ajusta a fase para um automatismo completo da análise espectral. Federico compartilhará de detalhes neste método novo, para discutir seu desempenho, e compará-lo com a outro aproxima disponível.

Como os dados NMR do sinal são integrados tipicamente?

Com NMR, é importante detectar e integrar cada região do sinal no espectro. Você pode então usar esta informação para determinar seus compostos, por exemplo, ou para fazer medidas do abrandamento. Há actualmente diversas maneiras de fazer este TopSpin de utilização.

  • Manual-integração

A integração manual é o método o mais de uso geral da integração. Em TopSpin, isto pode ser executado através do indicador da manual-integração selecionando e integrando cada região do sinal no espectro separada.

Quando este processo for simples e amplamente utilizado, pode ser demorado e às vezes pode igualmente sentir frustrante. Pode tomar aproximadamente 20 a 25 segundos para integrar um espectro NMR simples, mas imagina se você precisa de tratar os dez dos espectros em um dia. Toma mesmo mais por muito tempo quando você tem que tratar os espectros mais complicados.

  • Auto-integração

Há uns métodos para fazer automaticamente esta integração, como, por exemplo, o comando da auto-integração disponível em TopSpin. Contudo, o resultado não é óptimo e não combina bastante o que nós faríamos manualmente.

Este comando, em particular, depende de muitos parâmetros e se você ajusta todo, você pode obter um resultado melhor. Contudo, isto que ajusta-se é muito demorado, incómodo, e pode impedir o uso deste comando para a integração automática de muitos espectros diferentes.

  • comando do apbk

Uma outra alternativa é o comando do apbk. O comando do apbk é um comando novo introduzido em Topspin, para fazer a correcção automática da fase e da linha de base dos espectros de núcleos de X.

Agora, você pôde indicar que este comando não está significado ser usado 1em espectros de H, que está correcto. É por isso você precisa de forçar o comando do apbk trabalhar 1em espectros de H usando a bandeira “- f”. Fazendo isso, você obterá as regiões do sinal detectadas automaticamente. Mas outra vez, este resultado é longe do que você seleccionaria manualmente. Isto não é surpreendente, porque o comando do apbk não foi significado trabalhar 1em espectros de H. Assim, esta não é uma alternativa valiosa à integração manual.

Crédito de imagem: Angellodeco de Shutterstock/

Como Bruker está usando profundamente a aprendizagem melhorar a integração NMR automatizada?

O desafio para nossa equipe era para pedir, “podemos nós fazer melhor? Podemos nós desenvolver um comando que integre as regiões do sinal a mesma maneira que um usuário, sem exigir se ajustar de tão muitos parâmetros?”

Para fazer isto, nós treinamos uma rede neural profunda para interpretar espectros NMR usando a aprendizagem supervisionada. Nós precisamos muitos dados do treinamento, iin o formulário de espectros NMR com as etiquetas para a propriedade que nós queremos aprender (neste caso, regiões do sinal), e nós precisamos de criar nossa rede neural profunda.

Dando nosso treinamento ajustado à rede neural, nós treinamos nossa rede neural. Uma vez que a rede é treinada, nós podemos tomar um espectro novo, damo-lo à rede, e output as etiquetas previstas.

Como um grupo do treinamento, nós usou 500.000 espectros NMR 1artificial gerados de H. Nós usamos freqüências baixas diferentes (80 a 800 megahertz) para gerar espectros, assim como uma vasta gama de relações de relação sinal-ruído e de intensidades solventes.

Para aprender, nós decidimos construir uma rede neural circunvolucional que fosse inspirada pela U-Rede. A U-Rede é uma rede neural inteiramente circunvolucional usada para a segmentação da imagem em aplicações biomedicáveis.

Combinando a rede com o grupo do treinamento, nós criamos o sigreg, muito o primeiro comando máquina-aprender-baseado disponível em TopSpin. Sigreg permite que você faça um totalmente automático, parâmetro-livre, detecção da região do sinal 1em espectros NMR de H.

Como você testou os limites de seu modelo?

Para testar os limites deste algoritmo nós criamos um espectro simples, um espectro artificial feito de somente um centro da camisola interioa em 7,5 ppm. Nós testamos então os limites de detecção do modelo variando a intensidade de relação sinal-ruído, solvente, e a linha largura.

Teste contra de relação sinal-ruído. Nós mantivemos a intensidade do sinal constante e mudamos o valor do ruído a fim combinar valores diferentes de relações de relação sinal-ruído.

Sigreg executa bem com uma relação de relação sinal-ruído de 100 e de 20. Em um sinal a uma relação de ruído de 10, o sigreg pode ainda detectar os picos, mas este valor é uma fronteira do bit porque este é o limite que nós impor em nosso grupo do treinamento.

Em conseqüência, em uma relação de relação sinal-ruído mais baixa de dez, sigreg não podem detectar anymore o pico. Nós manter-nos-emos desenvolver este algoritmo assim, no futuro, mim não seremos surpreendidos se nós podemos ir abaixar valores de relação sinal-ruído.

Teste contra a intensidade solvente. Nós deslocamos ligeira nosso pico do interesse de 7,5 a 7,3 ppm e adicionamos um segundo pico com intensidade mais alta que simula a presença de um pico solvente.

Nós testamos os limites de detecção mantendo o de relação sinal-ruído de nosso pico do interesse constante e variando a intensidade solvente. Sigreg trabalha muito bem com picos solventes que são dez ou cem vezes maior do que o pico do interesse.

Quando o solvente se torna três pedidos ou maiores do que nosso pico do interesse, o sigreg pode ainda detectar nosso sinal. Contudo, se os limites de detecção são muito mais altos, a área detectada é muito mais larga, significando que o sigreg se torna menos exacto. Se o solvente é mais de mil vezes maior do que nosso sinal do interesse, a seguir o sigreg não pode detectar anymore o sinal.

Teste contra a linha largura. Além disso, nós usamos um único pico e mantivemos a constante da intensidade. Nós mantivemos igualmente o inalterado nivelado de relação sinal-ruído, e apenas mudamos a linha largura de nosso pico. Sigreg executou bem para uma vasta gama de linha larguras que variasse de 5 a 500 hertz.

Como o sigreg executa com os espectros NMR experimentais?

Para avaliar o desempenho de nosso modelo, nós executamos o sigreg em 100 espectros NMR experimentais. Os sinais nos espectros NMR experimentais foram etiquetados por nossos peritos NMR.

Nós encontramos que o número de sinais detectados por nossos peritos correlaciona bem com o número de sinais detectados pelo sigreg.

Crédito de imagem: Shutterstock/Lisa-s

Como isto compara aos outros comandos?

A auto integração dá resultados razoáveis, mas o acordo com os peritos é muito mais baixo comparado ao acordo entre o sigreg e os peritos. Apbk, em lugar de, tende ao underpick pesadamente, significando que detecta menos sinais do que os peritos. Isto não é surpreendente, porque o apbk não foi desenvolvido para trabalhar 1em espectros NMR de H.

Tendo os espectrómetros que variam de 80 megahertz a 1,2 gigahertz, em Bruker nós estamos igualmente muito interessados em adicionar um comando que execute bem sobre uma vasta gama de freqüências baixas. Twenty-five de nossos espectros foram obtidos em 80 megahertz com o instrumento NMR do benchtop novo de Bruker Fourier 80, e 75 foram obtidos em umas freqüências mais altas, partindo de 300 megahertz e mais altamente. Sigreg igualmente mostrou para ser menos dependente da freqüência baixa comparada a outros dois comandos.

Como calculando a ajuda1 da contagem de F confirma a precisão do sigreg?

Mesmo se o número de picos nos dá uma ideia de como este algoritmo trabalha, não dá realmente uma ideia da precisão. E é por isso, para calcular o desempenho do modelo, nós decidimos calcular a contagem1 de F para cada espectro.

Se você não é familiar com o conceito, a contagem1 de F é uma métrica que seja usado na análise estatística para avaliar a precisão de modelos binários da classificação. A força da contagem1 de F encontra-se no facto de que depende da precisão e do aviso. A precisão diz-nos quantas detecções da região do sinal são regiões reais do sinal. Isto é dado pelos positivos verdadeiros (as regiões do sinal detectadas como regiões do sinal), sobre a soma dos positivos verdadeiros e dos falsos positivos (as regiões do ruído detectadas como regiões do sinal).

Quando o aviso disser nos quanto das regiões do sinal estão detectadas pelo modelo. Isto é dado pelos positivos verdadeiros (os sinais detectados como sinais), sobre a soma dos positivos verdadeiros e dos negativos falsos. Os negativos falsos são as regiões do sinal que são detectadas como o ruído.

Nós calculamos a contagem1 de F para todos os 100 espectros. Sigreg dá os melhores resultados comparados a outros dois comandos, em termos da contagem1 de F. Nós temos uma contagem F1 média do sigreg 94,8% de utilização, com os a maioria dos espectros que têm uma contagem F1 sobre 95%.

A integração automática, no outro lado, tem uma contagem mais baixa da média1 F de 87,1%. As contagens F1 para os únicos espectros são igualmente muito mais espalhados comparado ao sigreg, com os alguns dos espectros abaixo de marcar mais baixo de 60%.

O mais baixo resultado foi dado pelo apbk, 80%, com muito mais altamente espalhamento. Este é ainda um resultado notável para o apbk, considerando este comando não foi tornado para trabalhar 1em espectros NMR de H.

Nós podemos igualmente verificar como estes resultados dependem da freqüência baixa olhando os resultados que nós obtivemos em 80 megahertz. A auto integração fornece alguns dos melhores resultados em de baixa frequência. Apbk no outro lado dá o resultado o mais ruim com espectros de 80 megahertz. Sigreg é único que dá resultados comparáveis de 80 a 800 megahertz.

Como fácil é para usar o sigreg?

Usar o sigreg é muito simples. Tudo que você precisa de fazer é abrir seu conjunto de dados em TopSpin, você dactilografa o “sigreg,” e você obtem seu detector da região do sinal apenas em alguns milissegundos. Não há nenhum parâmetro a estabelecer-se. Você pode igualmente facilmente incluir o gráfico em sua rotina automática usando o ` macro SIGREG' em seus programas do AU.

Sigreg trabalha com espectros complexos. Nós mostramos que igualmente trabalha muito bem em detectar picos largos, com espectros ruidosos, e com espectros com um grande pico solvente. Quando se trata da distorção de fase, o sigreg pode igualmente detectar picos nas fases dos espectros que fornecem que a distorção de fase é razoável.

Sigreg é incluído na versão a mais atrasada de TopSpin. Nós esperamos que você o testará para fora e nos enviará seu 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). Melhorando a integração NMR automatizada com profundamente da aprendizagem. News-Medical. Retrieved on April 23, 2021 from https://www.news-medical.net/news/20200430/Improving-Automated-NMR-Integration-Through-Deep-Learning.aspx.

  • MLA

    Bruker BioSpin - NMR, EPR and Imaging. "Melhorando a integração NMR automatizada com profundamente da aprendizagem". News-Medical. 23 April 2021. <https://www.news-medical.net/news/20200430/Improving-Automated-NMR-Integration-Through-Deep-Learning.aspx>.

  • Chicago

    Bruker BioSpin - NMR, EPR and Imaging. "Melhorando a integração NMR automatizada com profundamente da aprendizagem". News-Medical. https://www.news-medical.net/news/20200430/Improving-Automated-NMR-Integration-Through-Deep-Learning.aspx. (accessed April 23, 2021).

  • Harvard

    Bruker BioSpin - NMR, EPR and Imaging. 2020. Melhorando a integração NMR automatizada com profundamente da aprendizagem. News-Medical, viewed 23 April 2021, https://www.news-medical.net/news/20200430/Improving-Automated-NMR-Integration-Through-Deep-Learning.aspx.