NMR Phase Error Correction with New Modeling Approaches
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle