Statistical Improvements to NMR Phase Error Correction
Notice bibliographique
Résumé
L'utilisation de la Résonance Magnétique Nucléaire (RMN) est largement répandue tant dans les milieux de recherche que dans les milieux cliniques et constitue la base de nombreuses technologies innovantes. Cependant, les données brutes de RMN doivent subir diverses étapes de prétraitement dans les domaines temporel et fréquentiel avant de pouvoir être analysées. Le principal défi du prétraitement réside dans la correction des erreurs de phase, qui est le sujet central de mes recherches. J'ai développé deux nouvelles approches pour aborder ce problème : le rétrécissement non linéaire (NLS) et les modèles de correction d'erreurs de phase multiples (MPC). De plus, j'ai introduit une nouvelle fonction d'optimisation : la minimisation de la différence entre l'aire absolue et l'aire nette sous une courbe (DANM). Grâce à des tests effectués sur 3000 jeux de données simulées et une étude de cas, j'ai constaté que NLS était la méthode la plus efficace, tandis que MPC_DANM était la deuxième meilleure parmi les sept méthodes évaluées. Dans les expériences de spike-in de métabolites simples, MPC_DANM a été la méthode la plus performante, suivie de MPC optimisé par la minimisation de l'entropie avec une pénalité de pic négatif (EMP). Dans les expériences de spike-in de métabolites multiples, le modèle traditionnel de correction d'erreur de phase simple (SPC) avec DANM, SPC_DANM, s'est révélé être le meilleur, suivi de NLS. En combinant les deux types d'expériences, NLS s'est avéré être la meilleure méthode, suivi de SPC_DANM en deuxième position. J'ai également créé un nouveau package R, NMRphasing, qui facilite l'application de NLS, SPC et MPC avec diverses fonctions d'optimisation. Ce package peut être utilisé pour la RMN 1D, 2D, 3D, et 4D, ainsi que pour de nouvelles variantes de RMN comme l'IRM
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 | 0,007 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,003 |
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 ».