Advertencia: Esta página es una traducción de esta página originalmente en inglés. Tenga en cuenta ya que las traducciones son generadas por máquinas, no que todos traducción será perfecto. Este sitio Web y sus páginas están destinadas a leerse en inglés. Cualquier traducción de este sitio Web y su páginas Web puede ser imprecisa e inexacta en su totalidad o en parte. Esta traducción se proporciona como una conveniencia.

Perfeccionar la integración automatizada del RMN con profundamente el aprendizaje

insights from industryFederico ParuzzoData ScientistBruker BioSpin Corporation

En esta entrevista, el científico Federico Paruzzo de los datos discute cómo Bruker ha utilizado profundamente el aprendizaje desarrollar el sigreg, el primer mando máquina-aprender-basado disponible en el software de TopSpin de Bruker. Sigreg realiza la detección automática parámetro-libre de la región de la señal para 1los espectros de Rmn de H y fija el escenario para una automatización completa del análisis espectral. Federico compartirá a los detalles en este nuevo método, discutir su funcionamiento, y compararlo con otro se acerca a disponible.

¿Cómo los datos de la señal del RMN se integran típicamente?

Con el RMN, es importante descubrir e integrar cada región de la señal en el espectro. Usted puede entonces utilizar esta información para cuantificar sus composiciones, por ejemplo, o para hacer mediciones de la relajación. Hay actualmente varias maneras de hacer esto usando TopSpin.

  • Manual-integración

La integración manual es el método más de uso general de la integración. En TopSpin, esto se puede realizar a través de la ventana de la manual-integración seleccionando e integrando cada región de la señal en el espectro por separado.

Mientras que este proceso es simple y ampliamente utilizado, puede ser que toma tiempo y puede también aserrar al hilo a veces de frustración. Puede tardar cerca de 20 a 25 segundos para integrar un espectro de Rmn simple, pero se imagina si usted necesita ocuparse de diez de espectros en un día. Dura incluso cuando usted tiene que ocuparse de espectros más complicados.

  • Auto-integración

Hay métodos para hacer esta integración automáticamente, por ejemplo, por ejemplo, el mando de la auto-integración disponible en TopSpin. Sin embargo, el resultado no es óptimo y no iguala muy lo que haríamos manualmente.

Este mando, particularmente, depende de muchos parámetros y si usted ajusta todos, usted puede conseguir un mejor resultado. Sin embargo, esto que ajusta es muy que toma tiempo, incómodo, y puede prevenir el uso de este mando para la integración automática de muchos diversos espectros.

  • mando del apbk

Otra opción es el mando del apbk. El mando del apbk es un nuevo mando introducido en Topspin, para hacer la corrección automática de la fase y de la línea de fondo de espectros de los núcleos de X.

Ahora, usted puede ser que señale que este mando no está significado para ser utilizado en 1espectros de H, que está correcto. Por eso usted necesita forzar el mando del apbk de trabajar en 1espectros de H usando la bandera “- f”. Haciendo eso, usted obtendrá las regiones de la señal descubiertas automáticamente. Pero otra vez, este resultado es lejos de lo que usted seleccionaría manualmente. Esto no es asombrosamente, pues el mando del apbk no fue significado de trabajar en 1espectros de H. Así pues, esto no es una opción valiosa a la integración manual.

Haber de imagen: Angellodeco de Shutterstock/

¿Cómo Bruker está utilizando profundamente el aprendizaje perfeccionar la integración automatizada del RMN?

¿El reto para nuestras personas era pedir, “podemos hacer mejor? Podemos desarrollar un mando que integre las regiones de la señal la misma manera que un utilizador, sin requerir ajustar de tan muchos parámetros?”

Para hacer esto, entrenamos a una red neuronal profunda para interpretar espectros de Rmn usando el aprendizaje vigilado. Necesitamos muchos datos del entrenamiento, iin la forma de espectros de Rmn con las escrituras de la etiqueta para la propiedad que queremos aprender (en este caso, regiones de la señal), y necesitamos crear nuestra red neuronal profunda.

Dando nuestro entrenamiento fijado a la red de los nervios, entrenamos a nuestra red neuronal. Una vez que se entrena la red, podemos tomar un nuevo espectro, lo damos a la red, y hará salir las escrituras de la etiqueta previstas.

Como un equipo del entrenamiento, nosotros utilizó 500.000 espectros de Rmn artificial 1generados de H. Utilizamos diversas frecuencias bajas (a partir 80 a 800 megaciclos) para generar espectros, así como una amplia gama de ratios señal/ruidos y de intensidades del disolvente.

Para aprender, decidíamos construir una red neuronal circumvolucional que fue inspirada por la U-Red. La U-Red es una red neuronal completo circumvolucional usada para la segmentación de la imagen en usos biomédicos.

Combinando la red con el equipo del entrenamiento, creamos el sigreg, el primer mando máquina-aprender-basado disponible en TopSpin. Sigreg permite que usted haga un completamente automático, parámetro-libre, detección de la región de la señal en 1espectros de Rmn de H.

¿Cómo usted probó los límites de su modelo?

Para probar los límites de este algoritmo creamos un espectro simple, un espectro artificial hecho de solamente un centro de la camiseta en 7,5 PPM. Entonces probamos los límites de detección del modelo variando intensidad de relación señal/ruído, solvente, y la línea anchura.

Prueba contra de relación señal/ruído. Mantuvimos la intensidad de la señal constante y cambiamos el valor del ruido para igualar diversos valores de ratios señal/ruidos.

Sigreg se realiza bien con un ratio señal/ruido de 100 y de 20. En una relación señal-ruido de 10, el sigreg puede todavía descubrir los picos, pero este valor es una frontera de la broca porque éste es el límite que hemos impuesto en nuestro equipo del entrenamiento.

Como consecuencia, en un ratio señal/ruido más inferior de diez, sigreg no puede descubrir el pico más. Guardaremos el desarrollar de este algoritmo así pues, en el futuro, yo no seremos sorprendidos si podemos ir a bajar valores de relación señal/ruído.

Prueba contra intensidad solvente. Cambio ligeramente nuestro pico del interés a partir del 7,5 a 7,3 PPM y agregamos un segundo pico con una intensidad más alta que simula la presencia de un pico solvente.

Probamos los límites de detección guardando el de relación señal/ruído de nuestro pico del interés constante y variando la intensidad solvente. Sigreg trabaja muy bien con los picos solventes que son diez o cientos veces más grande que el pico del interés.

Cuando el disolvente llega a ser tres órdenes o más grandes que nuestro pico del interés, el sigreg puede todavía descubrir nuestra señal. Sin embargo, si los límites de detección son mucho más altos, el área descubierta es mucho más amplia, significando que el sigreg llega a ser menos exacto. Si el disolvente es más de mil veces más grande que nuestra señal del interés, después el sigreg no puede descubrir la señal más.

Prueba contra la línea anchura. Una vez más utilizamos un único pico y guardamos el constante de la intensidad. Guardamos también el sin cambios nivelado de relación señal/ruído, y acabamos de cambiamos la línea anchura de nuestro pico. Sigreg se realizó bien para una amplia gama de línea anchuras que colocó a partir del 5 a 500 hertz.

¿Cómo el sigreg se realiza con los espectros de Rmn experimentales?

Para evaluar el funcionamiento de nuestro modelo, hemos ejecutado el sigreg en 100 espectros de Rmn experimentales. Las señales en los espectros de Rmn experimentales etiqueta por nuestros expertos del RMN.

Encontramos que el número de señales descubiertas por nuestros expertos correlaciona bien con el número de señales descubiertas por el sigreg.

Haber de imagen: Shutterstock/Lisa-s

¿Cómo esto compara a los otros mandos?

La integración auto da resultados razonables, pero el acuerdo con los expertos es mucho más inferior comparado al acuerdo entre el sigreg y los expertos. Apbk, en lugar, tiende al underpick pesado, significando que descubre menos señales que los expertos. Esto no es asombrosamente, pues el apbk no fue desarrollado para trabajar en 1espectros de Rmn de H.

Teniendo espectrómetros que coloquen a partir de 80 megaciclos a 1,2 gigahertz, en Bruker estamos también muy interesados en agregar un mando que se realice bastante por encima de una amplia gama de frecuencias bajas. Veinticinco de nuestros espectros fueron obtenidos en 80 megaciclos con el nuevo instrumento del benchtop RMN de Bruker Fourier 80, y 75 fueron obtenidos en frecuencias más altas, a partir de 300 megaciclos y más arriba. Sigreg también ha mostrado para ser menos relacionado de la frecuencia baja comparada a los otros dos mandos.

1 ¿Cómo calculando la ayuda de la muesca de F confirma la exactitud del sigreg?

Incluso si el número de picos nos da una idea de cómo este algoritmo trabaja, no da realmente una idea de la exactitud. Y por eso, estimar el funcionamiento del modelo, decidíamos calcular la muesca1 de F para cada espectro.

Si usted no es familiar con el concepto, la muesca1 de F es una métrica que se utiliza en análisis estadístico para evaluar la exactitud de los modelos binarios de la clasificación. La fuerza de la muesca1 de F miente en el hecho de que depende de la precisión y de llamada. La precisión nos informa cuántas detecciones de la región de la señal son regiones reales de la señal. Esto es dada por los positivos verdaderos (las regiones de la señal descubiertas como regiones de la señal), sobre la suma de los positivos verdaderos y de los positivos falsos (las regiones del ruido descubiertas como regiones de la señal).

Mientras que la llamada nos informa cuántos de las regiones de la señal son descubiertos por el modelo. Esto es dada por los positivos verdaderos (las señales descubiertas como señales), sobre la suma de los positivos verdaderos y de los falsos negativos. Los falsos negativos son las regiones de la señal que se descubren como ruido.

Calculábamos la muesca1 de F para los 100 espectros. Sigreg da mejores resultados comparados a los otros dos mandos, en términos de muesca1 de F. Tenemos una muesca media F1 de 94,8% usando sigreg, con la mayor parte de los espectros teniendo una muesca F1 sobre el 95%.

La integración automática, en el otro lado, tiene una muesca más inferior del promedio1 F de 87,1%. Las muescas F1 para los únicos espectros son también mucho más extendida comparado al sigreg, con algunos de los espectros abajo del rayado más bajo el de 60%.

El resultado más inferior fue dado por el apbk, el 80%, con mucho más arriba extenderse. Esto sigue siendo un resultado notable para el apbk, considerando este mando no fue convertido para trabajar en 1espectros de Rmn de H.

Podemos también verificar cómo estos resultados dependen de la frecuencia baja observando los resultados que obtuvimos en 80 megaciclos. La integración auto ofrece algunos de los mejores resultados en de baja fricción. Apbk en el otro lado da el resultado peor con espectros de 80 megaciclos. Sigreg es el único que da resultados comparables a partir del 80 a 800 megaciclos.

¿Cómo fácil es para utilizar el sigreg?

Usando sigreg es muy simple. Todo lo que usted necesita hacer es abrir su grupo de datos en TopSpin, usted pulsa el “sigreg,” y usted obtiene su detector de la región de la señal en apenas algunos milisegundos. No hay parámetros a fijar. Usted puede también incluir fácilmente el gráfico en su rutina automática usando el ` macro SIGREG' en sus programas del AU.

Sigreg trabaja con espectros complejos. Hemos mostrado que también trabaja muy bien en descubrir picos amplios, con espectros ruidosos, y con espectros con un pico solvente grande. Cuando se trata de la distorsión de fase, el sigreg puede también descubrir picos en las fases de los espectros que ofrecen que la distorsión de fase es razonable.

Sigreg se incluye en la última versión de TopSpin. Esperamos que usted lo pruebe fuera y que nos envíe su reacción.

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). Perfeccionar la integración automatizada del RMN con profundamente el aprendizaje. 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. "Perfeccionar la integración automatizada del RMN con profundamente el aprendizaje". 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. "Perfeccionar la integración automatizada del RMN con profundamente el aprendizaje". 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. Perfeccionar la integración automatizada del RMN con profundamente el aprendizaje. News-Medical, viewed 19 April 2021, https://www.news-medical.net/news/20200430/Improving-Automated-NMR-Integration-Through-Deep-Learning.aspx.