近日，电子科学与技术学院陈忠教授团队在基于深度学习的拉普拉斯核磁共振(NMR)谱图重建与不确定度量化方面取得重要突破，相关成果以“High-Confidence Reconstruction for Laplace Inversion in NMR Based on Uncertainty-Informed Deep Learning”为题，发表在Science Advances期刊上。这一成果首次将不确定度估计引入拉普拉斯NMR重建过程，能够在保证高质量谱图解析的同时，实现量化结果的可靠性。

拉普拉斯核磁共振（Laplace NMR）能够揭示分子的扩散和弛豫特性，在化学、材料和生物医学等领域有广泛应用。要获得可靠的分子动力学信息，必须准确重建谱中扩散系数或弛豫时间的分布。然而，由于逆拉普拉斯变换（ILT）本质上是病态问题，传统方法常依赖经验和先验设定，难以客观评估结果的可信度，因此在缺乏理想参考谱时面临极大的挑战（图1A）。

为了解决该问题，陈忠教授团队提出了基于深度学习的拉普拉斯NMR谱重建方法DREAM (Deep-learning-based Reconstruction and Estimation of the Aleatoric-uncertainty Model)。该模型采用双分支神经网络结构(图1B-D)，实现谱图重建与不确定度估计，并通过改进的损失函数提升训练稳定性和预测精度。研究还设计了后处理方法(图1E)，不直接使用网络输出，而是对每个预测谱峰的重建不确定度进行量化显示，从而使DREAM在噪声干扰严重或实验条件复杂的情况下仍能提供有价值的谱重建结果。实验证明(图2)，DREAM能够在多样化实验条件下提供稳健且具有良好泛化能力的谱重建和不确定度量化，为拉普拉斯NMR信号处理提供比现有深度学习方法更全面的解决方案。

图1. DREAM的整体框架示意图

图2.电化学氧化反应前后的DOSY谱

论文第一作者为电子科学与技术学院2023级博士生陈博与2023级硕士生张悦斌，通信作者为陈忠教授、黄玉清教授和杨钰副教授。这项工作得到国家重点研发计划(2022YFF0707003、2023YFA1607500)，国家自然科学基金(12275228, 124B2108, 12175189, 22304142)、福建省自然科学基金(2024J01054)等项目资助。

近年来，陈忠教授团队在拉普拉斯核磁共振深度学习重建领域取得了一系列重要成果，包括2024年发表于Journalof the American Chemical Society的二维拉普拉斯波谱重建工作(J. Am. Chem. Soc. 146, 21591-21599,2024)，2023年发表于AnalyticalChemistry的扩散弛豫谱重建工作(Anal. Chem. 95, 11596-11602, 2023)等。本次成果进一步推动了拉普拉斯波谱学及其应用的发展。

论文链接：https://www.science.org/doi/10.1126/sciadv.adw1379

（电子科学与技术学院）