Информированный физикой глубокий нейросетевой подход обеспечивает быструю ультра-высокую разрешающую способность ядерно-магнитно-резонансной спектроскопии

Лучше видеть молекулы

Ядерно-магнитный резонанс (ЯМР) — один из самых мощных «микроскопов» в химии для изучения молекул, но его самые детальные режимы могут работать крайне медленно. В этой статье предложен способ использования искусственного интеллекта для существенного ускорения особенно точного варианта ЯМР, называемого pure shift NMR, без потери той тонкой информации, которая нужна исследователям. Быстрее и чище получаемые спектры помогают химикам в реальном времени отслеживать сложные реакции, разрабатывать лучшие лекарства и катализаторы, а также понимать поведение молекул в насыщенных, реальных смесях.

Почему обычный ЯМР порой недостаточен

Обычный ЯМР преобразует слабые магнитные сигналы от ядер в графики пиков, которые раскрывают структуру и окружение молекулы. В насыщенных образцах с множеством похожих молекул эти пики часто перекрываются и распадаются на сложные узоры, что затрудняет их интерпретацию. Pure shift NMR упрощает картину, сворачивая многопиковые паттерны в одиночные, острые линии, обеспечивая «ультра-высокое разрешение» перегруженных протонных спектров. Но при этом методы pure shift требуют записи дополнительных временных точек и склеивания множества небольших фрагментов данных. Это может увеличивать время эксперимента в десять раз и более, особенно для двумерных или трёхмерных техник, которые и так уже нагружают приборное время.

Экономия времени без потери качества

Один из способов сократить длительность экспериментов — записывать только часть данных и затем реконструировать недостающие фрагменты. Ранние подходы заимствовали идеи сжатого восприятия (compressed sensing), но требовали тщательной настройки и часто не позволяли восстановить слабые сигналы или точные высоты пиков. Авторы представляют новую архитектуру глубокого обучения, называемую DA-PSNet, которая учится по примерам восстанавливать высококачественные pure shift спектры из разреженно измеренных данных. Сеть «информирована физикой»: она работает как в частотной области, где обычно просматривают спектры, так и во временной области, где обеспечивает согласованность с фактически измеренными данными. Она также использует механизмы внимания, чтобы фокусироваться на тонких особенностях, например на слабых пиках, скрытых рядом с сильными.

Более чёткие спектры в одном и двух измерениях

Команда сначала тестирует DA-PSNet на одномерных pure shift спектрах смесей, таких как 1-бутанол и бутиратная кислота, в которых ключевые пики сильно перекрываются в стандартном ЯМР. При использовании лишь около 5% обычных pure shift данных исходный разреженный спектр оказывается сильно искажённым. Традиционные методы реконструкции с трудом восстанавливают сигналы низкой концентрации и искажают интенсивности пиков. Напротив, DA-PSNet возвращает густо расположенные пики, сохраняет их относительные высоты и подавляет артефакты, при этом работая примерно в сто раз быстрее старого метода. При несколько более высоких уровнях выборки реконструкция становится достаточно точной для требовательной количественной работы, по-прежнему обеспечивая многократное сокращение времени эксперимента.

Отслеживание реакций и разделение сложных смесей

Далее авторы показывают, что та же обученная модель может ускорить более сложные многомерные эксперименты без дообучения. В двумерных pure shift DOSY измерениях — которые добавляют информацию о скорости диффузии молекул в растворе — DA-PSNet восстанавливает высокоразрешающие наборы данных для смесей из трёх похожих органических соединений, используя лишь 40% обычных данных. Полученные карты чётко разделяют компоненты и тесно соответствуют полностью измеренным эталонным спектрам, со статистическим соглашением лучше 98%. Метод также показал свою ценность в экспериментах в реальном времени при электрохимических реакциях: сочетая pure shift NMR с реконструкцией DA-PSNet, исследователи могут ясно различать сигналы от топливной молекулы (1-бутанол) и её продукта окисления (бутиратная кислота) по мере их изменения со временем на разных катализаторах, выявляя, какой катализатор эффективнее преобразует топливо.

Что это значит для будущих молекулярных исследований

Проще говоря, работа демонстрирует, что тщательно спроектированная нейронная сеть, учитывающая физику, может «заполнять» недостающие данные ЯМР таким образом, чтобы сохранять слабые пики и точные интенсивности, одновременно существенно сокращая время эксперимента. Существуют ограничения — если собрано слишком мало данных, даже лучшая модель не сможет полностью восстановить спектр, и обучение должно отражать диапазон образцов и условий интереса. Но в пределах реалистичных уровней выборки DA-PSNet превращает ранее медленные, высокоразрешающие pure shift методы в практичные инструменты для рутинных и чувствительных к времени исследований. Для неспециалистов главный вывод таков: ИИ помогает ЯМР эволюционировать от медленной высокоточной лабораторной техники к более быстрой и гибкой методике исследования структуры и реактивности в сложных химических и биологических системах.

Цитирование: 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

Ключевые слова: ядерный магнитный резонанс, pure shift NMR, глубокое обучение, восстановление спектров, мониторинг реакций