核磁共振(NMR)技术是解析蛋白质结构和动态特性的重要工具，但传统多维NMR实验耗时漫长，非均匀采样(NUS)技术虽能加速数据采集，却面临重建算法性能不足的瓶颈。现有深度学习方法仅聚焦时域或频域单域重建，易导致弱峰丢失和伪峰干扰，且缺乏全采样参考时无法评估重建质量，严重制约实际应用。

厦门大学的研究团队在《Nature Communications》发表研究，提出时频域联合深度学习网络JTF-Net和创新性质量评估指标REQUIRER。JTF-Net通过8个时域模块(t-modules)和8个频域模块(f-modules)的级联架构，结合特征融合(FFF/TFF)与数据一致性约束(DC)，实现2D/3D蛋白质谱图的高保真重建。针对质量评估难题，团队基于贝叶斯神经网络不确定性分析构建质量空间，定义2D(0.35)和3D(0.55)谱图的RLNE阈值，开发出无需参考谱的REQUIRER指标。

关键技术包括：1) 基于物理原理生成40,000组模拟训练数据；2) 融合扩张卷积与时域重建的t-modules；3) 频域特征提取的f-modules；4) 贝叶斯框架下的不确定性量化；5) 质量空间与REQUIRER算法。

结果部分：
比较现有重建算法
JTF-Net在GB1蛋白15N-¹H HSQC谱(601×170)重建中RLNE低至0.0803，优于SMILE(0.5866)和FID-Net(0.5171)。对复杂谱图T4L L99A(335×256)，JTF-Net在12.5%采样率下实现零峰丢失，而EDHRN和hmsIST分别出现5处和2处缺失。

REQUIRER验证
在GB1谱中添加高斯噪声测试显示，当SNR>85时REQUIRER>79%，RLNE均低于阈值；而SNR<50时REQUIRER<50%准确预警伪峰。对BMRB数据库的HNCO谱测试中，JTF-Net在8%采样率下REQUIRER达97%，RLNE稳定低于0.3873。

讨论与结论
该研究突破单域重建局限，首次实现时频域协同优化，使2D/3D谱图重建时间分别缩短至传统方法的1/8和1/15。REQUIRER指标通过质量空间映射不确定性关系，为NUS技术实用化提供关键质量保障。局限性包括NOESY谱评估不适用及1%假阴性风险，但仍是目前唯一无需全采样参考的评估方案。这项工作为蛋白质快速结构解析开辟新途径，相关代码已开源。

打赏

下载安捷伦电子书《通过细胞代谢揭示新的药物靶点》探索如何通过代谢分析促进您的药物发现研究

10x Genomics新品Visium HD 开启单细胞分辨率的全转录组空间分析！

欢迎下载Twist《不断变化的CRISPR筛选格局》电子书

单细胞测序入门大讲堂 - 深入了解从第一个单细胞实验设计到数据质控与可视化解析

下载《细胞内蛋白质互作分析方法电子书》