通过3D深度生成网络增强冷EM图,以协助蛋白质结构建模
Sai Raghavendra Maddhuri Venkata Subramaniya1, Genki Terashi2, Daisuke Kihara1,2
1Department of Computer Science, Purdue University, West Lafayette, IN 47907, United States.
Bioinformatics (Oxford, England)
|August 7, 2023
概括
EM-GAN增强了冷电子显微镜 (cryo-EM) 地图,以改进蛋白质结构建模. 这种新的方法使用3D生成对抗网络 (GAN) 来改进低分辨率地图,帮助计算建模工作.
科学领域:
- 结构生物学是结构生物学.
- 计算生物学是一种计算生物学.
- 生物物理学的生物物理.
背景情况:
- 电子显微镜 (cryo-EM) 越来越多地用于确定生物大分子结构.
- 低分辨率 (3-6 Å) 在冷-EM地图中往往会阻碍精确的计算结构建模.
- 提高冷EM图的质量对于推进分子结构的确定至关重要.
研究的目的:
- 开发一种新的计算方法,以增强冷-EM图谱,以改进蛋白质结构建模.
- 为应对限制标准建模工具的低分辨率冷EM数据的挑战.
主要方法:
- 介绍EM-GAN,一个3D生成对抗网络 (GAN).
- 在高分辨率和低分辨率的冷电磁密度图上训练GAN,以学习密度模式.
- 修改输入的冷电磁图,以提高它们对结构建模的适用性.
主要成果:
- 在65个冷电磁图 (3-6 Å分辨率) 上进行了广泛的EM-GAN测试.
- 该方法在蛋白质结构建模方面取得了实质性的改进.
- 改进的地图促进了使用流行的蛋白质结构建模工具.
结论:
- EM-GAN有效地增强了冷电磁图,特别是那些具有边界分辨率的地图.
- 该工具有助于克服分子建模的分辨率限制.
- 这种方法有可能加速基于结构的药物发现和生物研究.
