NMR Phase Error Correction with New Modeling Approaches
Notice bibliographique
Résumé
Nuclear Magnetic Resonance (NMR) spectroscopy is a highly sensitive analytical technique essential for precise molecular identification and quantification. However, accurate results depend on effective pre-processing to correct for various types of errors. Phase error correction, in particular, is crucial for ensuring the reliability of NMR data. Current methods often rely on a single linear model, which may not adequately address all types of phase errors. As a result, this limitation frequently requires manual intervention, making the process both time-consuming and prone to errors. To address these limitations, we propose three modelling approaches for NMR phase error correction: nonlinear shrinkage, multiple models, and a new optimization function called delta absolute net minimization (DANM). Our comparison of seven methods revealed that nonlinear shrinkage outperformed others in both simulated spectra and a diabetes study, followed by multiple models with DANM. Additionally, our spike-in experiments demonstrated that DANM performed quite well in both single and multiple models. Our nonlinear shrinkage approach is a simple yet effective solution. We provide an open-source R package, NMRphasing, available on CRAN (https://cran.r-project.org/web/packages/NMRphasing/) and on GitHub (https://github.com/ajiangsfu/NMRphasing). Received: 6 August 2024 | Revised: 11 October 2024 | Accepted: 31 October 2024 Conflicts of Interest Aixiang Jiang is an Editorial Board Member for Journal of Data Science and Intelligent Systems and was not involved in the editorial review or the decision to publish this article. The authors declare that they have no conflicts of interest to this work. Data Availability Statement Data available on request from the corresponding author upon reasonable request. Author Contribution Statement Aixiang Jiang: Conceptualization, Methodology, Software, Validation, Formal analysis, Investigation, Data curation, Writing - original draft, Writing - review & editing, Visualization, Supervision, Project administration. Andrée E. Gravel: Resources, Data curation, Writing - review & editing. Ethan Tse: Writing - review & editing. Sanjoy Kumar Das: Resources, Data curation. James Hanley: Conceptualization, Writing - original draft, Writing - review & editing, Supervision, Project administration. Robert Nadon: Conceptualization, Resources, Data curation, Writing - original draft, Writing - review & editing, Supervision, Project administration.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».