用机器学习方法分析分相脂质双层囊泡的冷电磁图像
Karan D Sharma1, Milka Doktorova2, M Neal Waxham3
1Department of Chemistry, University of Tennessee, Knoxville, Tennessee.
Biophysical journal
|May 1, 2024
概括
机器学习增强了低温电子显微镜 (cryo-EM) 用于分析细胞膜中的脂质域. 这种新方法准确地识别了液体有序和液体无序的相位,改善了我们对膜异质性的理解.
科学领域:
- 生物物理学的生物物理.
- 细胞生物学 细胞生物学
- 材料科学 材料科学 材料科学
背景情况:
- 侧面脂质异质性,或形成,对于细胞功能至关重要.
- 三组分脂质混合物作为研究域的简化模型,表现出液态无序 (Ld) 和液态有序 (Lo) 阶段的共存.
- 低温电子显微镜 (cryo-EM) 可以通过双层厚度差异检测相位分离,但数据噪声阻碍了高分辨率的相位确定.
研究的目的:
- 开发基于机器学习 (ML) 的图像处理管道,用于在脂质囊泡的冷-EM投影图像中准确地识别相位.
- 为了利用Lo和Ld相之间的双层厚度和分子密度的差异,以改进相位检测.
- 为描述纳米侧面膜异质性提供一个强大的框架.
主要方法:
- 开发一个机器学习图像处理管道,用于冷EM数据.
- 使用来自脂质相的全原子分子动力学模拟的人工图像作为基本事实.
- 合成数据集的分析,模仿沿着Ld + Lo共存线沿着各种组成的合成数据集.
主要成果:
- 在所有测试的泰林化合物中,ML方法在识别双层相方面达到>90%的准确性.
- 该方法允许隔离共存Ld和Lo阶段的强度配置文件.
- 实现了域大小分布,域数和相积分的准确确定.
结论:
- 开发的ML管道显著提高了脂质囊泡的冷EM数据中相位识别的准确性.
- 这种方法为在纳米尺度上剖析膜异质性提供了一个强大的工具.
- 这些发现为更深入地了解脂质属性及其生物影响铺平了道路.
