物理知情深度学习实现快速超高分辨率核磁共振光谱学

更清晰地观察分子

核磁共振（NMR）光谱学是化学中用于观察分子的最强大“显微镜”之一，但其最精细的模式往往非常耗时。本文介绍了一种利用人工智能显著加速一种特别高分辨率的 NMR 方法（称为纯移位 NMR）的方法，同时不牺牲科学家所需的细节。更快、更清晰的谱图能帮助化学家实时跟踪复杂反应、设计更好的药物与催化剂，并理解分子在复杂、真实混合体系中的行为。

为何常规 NMR 有时力不从心

传统 NMR 将原子核的微弱磁信号转化为展示峰位的图谱，进而揭示分子的结构与环境。在样品复杂且分子相似度高时，这些峰常常重叠并分裂成复杂的模式，使解释变得困难。纯移位 NMR 通过将这些多峰模式压缩为单一而锐利的线峰，简化了图谱，从而在拥挤的质子谱中提供“超高分辨率”的视图。问题在于，纯移位方法需要记录额外的时间点并将许多小数据块拼接在一起。这会使实验时间延长十倍甚至更多，尤其是本就耗时的二维或三维技术。

在时间上取巧，但不在质量上妥协

缩短实验的一种办法是仅记录部分数据，然后尝试重建缺失部分。早期方法借用了压缩感知的思想，但需要精细调整，并且常常无法恢复微弱信号或准确的峰强。作者提出了一种新的深度学习框架，称为 DA-PSNet，它通过示例直接学习如何从稀疏采样的数据重建高质量的纯移位谱。该网络是“物理知情”的：它同时在频域（通常观察谱图的地方）和时域（用于强制与实际测量数据一致）工作。它还使用注意力机制关注诸如被强峰掩盖的弱峰等细微特征。

一维与二维中更锐利的谱图

团队首先在一维纯移位谱上测试 DA-PSNet，样品为诸如 1-丁醇与丁酸的混合物，其中在常规 NMR 中关键峰严重重叠。仅使用约 5% 的常规模型纯移位数据时，原始稀疏谱失真严重。传统重建难以恢复低浓度信号并会扭曲峰强。相比之下，DA-PSNet 恢复了紧密间隔的峰，保留了峰的相对高度并压制了人为伪像，同时运行速度比旧方法快约一百倍。在稍高的采样水平下，重建变得足够精确，适合要求严格的定量工作，同时仍能将实验时间缩短数倍。

跟踪反应并分离复杂混合物

接着，作者展示了同一已训练模型在无需重新训练的情况下也能加速更复杂的多维实验。在二维纯移位 DOSY 测量中（该测量还能提供分子在溶液中扩散速度的信息），DA-PSNet 仅用常规数据的 40% 即能重建出三种相似有机化合物混合物的高分辨率数据集。得到的图谱能清晰分离各组分，并与全采样参考谱高度匹配，统计一致性优于 98%。该方法在实时电化学实验中也显示出价值：通过将纯移位 NMR 与 DA-PSNet 重建相结合，研究者能够清晰区分燃料分子（1-丁醇）及其氧化产物（丁酸）在不同催化剂上随时间演变的信号，从而揭示哪个催化剂更有效地将燃料转化。

这对未来分子研究的意义

简而言之，这项工作表明，经过精心设计且具物理感知能力的神经网络可以“填补”缺失的 NMR 数据，在保留微弱峰和准确强度的同时大幅缩短实验时间。不过仍有局限——如果采集的数据过少，即便是最佳模型也无法完全恢复谱图，且训练必须覆盖感兴趣样品与条件的范围。但在现实的采样水平下，DA-PSNet 将曾经缓慢的高分辨率纯移位方法转变为适用于常规与时间敏感研究的实用工具。对非专业读者来说，结论是：人工智能正帮助 NMR 从一种缓慢的高精度实验室技术，向更快速、更灵活的工具转变，以探测复杂化学与生物体系中的结构与反应性。

引用: 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

关键词: 核磁共振, 纯移位 NMR, 深度学习, 谱重建, 反应监测