التعلّم العميق المستنير بالفيزياء يُمكّن من تسريع مطيافية الرنين المغناطيسي النووي فائقة الدقة للغاية

رؤية الجزيئات بوضوح أكبر

تعد مطيافية الرنين المغناطيسي النووي (NMR) إحدى أقوى الميكروسكوبات في الكيمياء لدراسة الجزيئات، لكن أوضاعها الأكثر تفصيلاً قد تكون بطيئة بشكل مؤلم. يقدم هذا البحث طريقة لاستخدام الذكاء الاصطناعي لتسريع شكلٍ حادٍ بشكل خاص من NMR، يُسمى الإزاحة النقية (pure shift NMR)، بشكل كبير من دون التضحية بالتفاصيل الدقيقة التي يحتاجها العلماء. يمكن للطيف الأسرع والأوضح أن يساعد الكيميائيين على متابعة التفاعلات المعقدة في الوقت الحقيقي، وتصميم أدوية ومحفزات أفضل، وفهم سلوك الجزيئات في مخاليط مكتظة وواقعية.

لماذا يخفق NMR العادي أحيانًا

يحوّل NMR التقليدي الإشارات المغناطيسية الطفيفة من نوى الذرات إلى رسوم بيانية من القمم تكشف بنية الجزيء وبيئته. في العينات المزدحمة التي تحتوي على العديد من الجزيئات المتشابهة، غالبًا ما تتداخل هذه القمم وتتجزأ إلى أنماط معقدة، مما يصعّب تفسيرها. تبسّط تقنية الإزاحة النقية هذا المشهد عن طريق دمج أنماط القمم المتعددة إلى خطوط مفردة وحادة، ما يمنح مشاهد «فائقة الدقة» لطيف البروتونات المزدحم. القيد هو أن طرق الإزاحة النقية تتطلب تسجيل نقاط زمنية إضافية وتجميع العديد من قطع البيانات الصغيرة. هذا يمكن أن يجعل التجارب تستغرق عشر مرات أطول أو أكثر، خصوصًا للتقنيات ثنائية أو ثلاثية الأبعاد التي تستهلك زمن الجهاز بالفعل.

تقليص الزمن دون المساس بالجودة

إحدى طرق تقصير التجارب هي تسجيل جزء فقط من البيانات ومحاولة إعادة بناء الأجزاء المفقودة لاحقًا. استعانت منهجيات سابقة بأفكار من الحسّاسية المضمّنة (compressed sensing)، لكنها كانت تتطلب ضبطًا دقيقًا وغالبًا ما تفشل في استرجاع الإشارات الضعيفة أو ارتفاعات القمم الدقيقة. يقدّم المؤلفون إطار عمل جديدًا للتعلّم العميق يُدعى DA-PSNet، يتعلّم مباشرة من أمثلة كيفية إعادة بناء أطياف الإزاحة النقية عالية الجودة من قياسات مأخوذة بعينات متناثرة. الشبكة «مستنيرة بالفيزياء»: تعمل في كل من مجال التردد، حيث تُعرض الأطياف عادةً، والمجال الزمني، حيث تفرض التوافق مع البيانات التي تم قياسها فعلًا. كما تستخدم آليات انتباه للتركيز على ميزات دقيقة مثل القمم الضعيفة المدفونة قرب القمم القوية.

أطياف أكثر حدة في بُعد واحد وبُعدين

اختبر الفريق أولًا DA-PSNet على أطياف الإزاحة النقية ذات البُعد الواحد لمخاليط مثل 1-بيوتانول وحمض البوتيريك، حيث تتداخل القمم الرئيسية بقوة في NMR القياسي. مع نحو 5% فقط من بيانات الإزاحة النقية المعتادة، يكون الطيف المتناثر الخام مشوّهًا بشدة. تكافح طرق إعادة البناء التقليدية لاستعادة الإشارات منخفضة التركيز وتشوّه شدّات القمم. بالمقابل، يعيد DA-PSNet القمم القريبة من بعضها بدقة، ويحافظ على ارتفاعاتها النسبية، ويقلل الميزات الاصطناعية، بينما يعمل أسرع بحوالي مئة مرة من الطريقة القديمة. عند مستويات عينات أعلى قليلاً، يصبح إعادة البناء دقيقة بما يكفي للعمل الكمي المتطلب، مع تحقيق تخفيضات كبيرة في وقت التجربة.

متابعة التفاعلات وفصل المخاليط المعقدة

بعد ذلك، يوضح المؤلفون أن نفس النموذج المدرب يمكن أن يسرّع تجارب أكثر تعقيدًا ومتعددة الأبعاد دون إعادة تدريب. في قياسات DOSY ذات الإزاحة النقية ثنائية الأبعاد — التي تضيف معلومات حول سرعة انتشار الجزيئات في المحلول — يعيد DA-PSNet بناء مجموعات بيانات عالية الدقة لمخاليط من ثلاثة مركبات عضوية متشابهة باستخدام 40% فقط من البيانات المعتادة. تفصل الخرائط الناتجة المكونات بوضوح وتطابق أطياف المرجع المأخوذة بكاملها عن كثب، مع اتفاق إحصائي يتجاوز 98%. تثبت الطريقة أيضًا قيمتها في تجارب كهركيميائية في الوقت الحقيقي: بدمج الإزاحة النقية مع إعادة بناء DA-PSNet، يمكن للباحثين تمييز إشارات جزيء وقود (1-بيوتانول) ومنتج أكسدته (حمض البوتيريك) بوضوح أثناء تطورها بمرور الوقت على محفزات مختلفة، كاشفة أي المحفزات يحرّك تحويل الوقود بكفاءة أعلى.

ماذا يعني هذا لدراسات الجزيئات المستقبلية

باختصار، يُظهر هذا العمل أن شبكة عصبية مصممة بعناية ومُدركة للفيزياء يمكنها «ملء» بيانات NMR المفقودة بطريقة تحافظ على القمم الضعيفة والشدّات الدقيقة بينما تقلل زمن التجربة بشكل كبير. لا تزال هناك حدود — إذا جُمعت بيانات قليلة جدًا، فلن يتمكن أفضل نموذج من استعادة الطيف بالكامل، ويجب أن يعكس التدريب نطاق العينات والظروف ذات الاهتمام. لكن ضمن مستويات العينات الواقعية، يحول DA-PSNet طرق الإزاحة النقية البطيئة ذات الدقة العالية إلى أدوات عملية للدراسات الروتينية والحساسة للزمن. للقرّاء غير المتخصصين، الخلاصة هي أن الذكاء الاصطناعي يساعد NMR على الانتقال من تقنية مخبرية بطيئة وعالية الدقة إلى أداة أسرع وأكثر مرونة لاستقصاء البنية والتفاعل في أنظمة كيميائية وبيولوجية معقدة.

الاستشهاد: Bao, J., Ni, Y., Hu, L. et al. Physics-informed deep learning enables fast ultrahigh-resolution nuclear magnetic resonance spectroscopy. Commun Chem 9, 103 (2026). https://doi.org/10.1038/s42004-026-01912-z

الكلمات المفتاحية: الرنين المغناطيسي النووي, مطيافية الإزاحة النقية NMR, التعلّم العميق, إعادة بناء الطيف, مراقبة التفاعلات