机器学习方法对冷EM密度修改有差异性影响生物宏分子和连接体密度质量
Raymond F Berkeley1, Brian D Cook1, Mark A Herzik1
1Department of Chemistry and Biochemistry, University of California San Diego, La Jolla, CA, United States.
Frontiers in molecular biosciences
|May 3, 2024
概括
机器学习工具增强了冷电子显微镜 (cryoEM) 数据分析,提高了生物宏分子密度,但对连接体产生了不可预测的结果. 需要仔细评估以减轻与其在结构生物学中未经检查的使用相关的风险.
科学领域:
- 结构生物学 结构生物学
- 生物物理学的生物物理.
- 计算生物学 计算生物学
背景情况:
- 机器学习 (ML) 越来越多地集成到冷电子显微镜 (cryoEM) 数据分析中.
- 机器学习工具为处理和完善冷EM数据集提供了新的功能.
- 这些ML工具对冷EM数据质量的影响需要彻底调查.
研究的目的:
- 评估基于ML的地图修改工具对冷EM密度图的差异效应.
- 评估ML工具对生物宏分子和连接体的性能.
- 突出使用ML在冷EM数据处理中的好处和潜在风险.
主要方法:
- 在ML工具修改之前和之后对冷EM密度图进行分析.
- 使用地图质量指标进行定量评估.
- 修改地图中的结构特征的定性研究.
主要成果:
- 机器学习工具通常可以提高生物宏分子的冷EM密度.
- 机器学习工具对连接体密度产生了不可预测和潜在的不可靠的结果.
- 在定量和定性评估中都观察到差异.
结论:
- 机器学习工具对增强冷EM数据分析,特别是蛋白质结构的数据分析有显著的前景.
- 将ML工具应用于连接体需要谨慎,因为结果不可预测.
- 进一步的研究和仔细的验证对于在冷EM中负责任地实施ML至关重要.
