• 主题
高级搜索  >
历史搜索 清空历史
首页> 美国卫生研究院文献>other >Efficient and generalized processing of multidimensional NUS NMR data: the NESTA algorithm and comparison of regularization terms
【2h】

Efficient and generalized processing of multidimensional NUS NMR data: the NESTA algorithm and comparison of regularization terms

机译：多维NUS NMR数据的高效通用处理：NESTA算法和正则项的比较

代理获取
本网站仅为用户提供外文OA文献查询和代理获取服务，本网站没有原文。下单后我们将采用程序或人工为您竭诚获取高质量的原文，但由于OA文献来源多样且变更频繁，仍可能出现获取不到、文献不完整或与标题不符等情况，如果获取不到我们将提供退款服务。请知悉。
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

The advantages of non-uniform sampling (NUS) in offering time savings and resolution enhancement in NMR experiments have been increasingly recognized. The possibility of sensitivity gain by NUS has also been demonstrated. Application of NUS to multidimensional NMR experiments requires the selection of a sampling scheme and a reconstruction scheme to generate uniformly sampled time domain data. In this report, an efficient reconstruction scheme is presented and used to evaluate a range of regularization algorithms that collectively yield a generalized solution to processing NUS data in multidimensional NMR experiments. We compare l1-norm (L1), iterative re-weighted l1-norm (IRL1), and Gaussian smoothed l0-norm (Gaussian-SL0) regularization for processing multidimensional NUS NMR data. Based on the reconstruction of different multidimensional NUS NMR data sets, L1 is demonstrated to be a fast and accurate reconstruction method for both quantitative, high dynamic range applications (e.g. NOESY) and for all J-coupled correlation experiments. Compared to L1, both IRL1 and Gaussian-SL0 are shown to produce slightly higher quality reconstructions with improved linearity in peak intensities, albeit with a computational cost. Finally, a generalized processing system, NESTA-NMR, is described that utilizes a fast and accurate first-order gradient descent algorithm (NESTA) recently developed in the compressed sensing field. NESTA-NMR incorporates L1, IRL1, and Gaussian-SL0 regularization. NESTA-NMR is demonstrated to provide an efficient, streamlined approach to handling all types of multidimensional NMR data using proteins ranging in size from 8 to 32 kDa.
机译：在NMR实验中，非均匀采样（NUS）在节省时间和提高分辨率方面的优势已得到越来越多的认可。 NUS可能会提高灵敏度。将NUS应用于多维NMR实验需要选择采样方案和重构方案，以生成均匀采样的时域数据。在本报告中，提出了一种有效的重建方案，并将其用于评估一系列正则化算法，这些算法可共同产生多维NMR实验中处理NUS数据的广义解决方案。我们比较了l1-范数（L1），迭代重新加权的l1-范数（IRL1）和高斯平滑的l0-范数（Gaussian-SL0）正则化处理多维NUS NMR数据。基于不同多维NUS NMR数据集的重建，L1被证明是定量，高动态范围应用（例如NOESY）以及所有J耦合相关实验的快速，准确的重建方法。与L1相比，IRL1和Gaussian-SL0都显示出更高质量的重构，并且峰值强度的线性度得到了改善，尽管具有计算成本。最后，介绍了一种通用处理系统NESTA-NMR，该系统利用了最近在压缩传感领域开发的快速，准确的一阶梯度下降算法（NESTA）。 NESTA-NMR包含L1，IRL1和高斯SL0正则化。 NESTA-NMR被证明提供了一种高效，简化的方法，可以使用大小为8至32 kDa的蛋白质处理所有类型的多维NMR数据。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
代理获取

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号