近日，电子科学与技术学院陈忠教授团队林雁勤课题组联合中国科学院精密测科学与技术创新研究院和英国曼彻斯特大学的研究人员，在基于深度学习的核磁共振（NMR）纯化学位移谱研究中取得新进展。研究团队提出自旋回波到纯位移网络（Spin Echo to Pure Shift Network，SE2PSNet），在有效分离重叠谱峰的同时，保留准确的信号积分信息，为兼顾高分辨率、高灵敏度与定量准确性的NMR分析提供了新方法。该方法对于突破核磁共振在药物研发、药物代谢研究等领域的应用限制，助力国产创新药研发，服务健康中国战略实施具有重要意义。相关成果以“High-quality pure shift NMR spectra by deep learning using multi-spectral input and joint loss functions”为题，发表于Nature Communications。

核磁共振广泛应用于化学、生物学及医学等领域。然而，常规氢谱容易出现严重的谱峰重叠，给组分识别和定量分析带来困难。纯化学位移技术通过将多重峰简化为单峰，能够显著缓解谱峰拥挤，但现有方法往往伴随灵敏度损失、伪峰干扰和积分失真。针对这一问题，研究团队在前期工作基础上提出SE2PSNet。在网络设计上，团队构建了谱图信息关联、定量注意力和纯化学位移谱恢复三个模块，通过结合残差连接与注意力机制，增强与定量分析相关的信号特征，减少复杂重叠信号处理过程中的信息损失。同时，引入由均方误差和相对误差组成的联合损失函数，使网络在保证整体谱图质量的同时，兼顾弱信号的重建精度，避免训练过程过度关注强峰而忽略弱峰。

图1. SE2PSNet的网络结构及训练与实际应用流程

对于谱峰密集、耦合结构复杂的阿奇霉素样品，SE2PSNet能够分辨PSYCHE谱中仍然重叠的相邻信号，其积分值与参考谱积分值的一致性较高，决定系数R²达到0.9975。

图2. 不同方法获得的阿奇霉素谱图及局部放大比较

厦门大学为论文第一署名和通讯单位，电子科学与技术学院硕士研究生蔡伟刚、李熠阳为共同第一作者，林雁勤教授为通讯作者。该研究得到国家重点研发计划、国家自然科学基金及英国工程与自然科学研究理事会的资助。

近年来，课题组围绕深度学习与核磁共振谱学的交叉融合持续开展研究，取得系列成果。相关工作发表于Nature Communications 16, 2342 (2025)（ESI高被引论文）、Nature Communications 17, 9330 (2026)等国际期刊；并在Progress in Nuclear Magnetic Resonance Spectroscopy 146-147, 101556 (2025)（ESI高被引论文）及Magnetic Resonance Letters 7, 200290 (2026)（国内第一本英文磁共振期刊）上系统总结了人工智能在核磁共振谱学中的研究进展，并对该领域未来发展方向进行了展望。

论文链接：https://www.nature.com/articles/s41467-026-76276-y

（电子科学与技术学院）