数据驱动的规范化降低了冷EM结构确定的大小障碍
Dari Kimanius1,2, Kiarash Jamali3, Max E Wilkinson4,5,6
1MRC Laboratory of Molecular Biology, Francis Crick Avenue, Cambridge, UK. dari.kimanius@czii.org.
Nature methods
|June 11, 2024
概括
深度学习通过增强图像对齐来改进使用电子冷显微镜 (cryo-EM) 的宏分子结构确定. 这种新的Blush规范化方法使较小的低信号粒子能够获得高分辨率的冷EM,从而扩大了其生物应用.
科学领域:
- 结构生物学是结构生物学.
- 生物物理学的生物物理.
- 计算生物学是一种计算生物学.
背景情况:
- 电子冷显微镜 (cryo-EM) 对于确定宏分子结构至关重要.
- 噪声粒子图像的图像对齐是一个关键的限制,特别是在信号较弱的较小分子.
- 目前的对齐方法在信号噪声比较低的情况下扎,限制了冷EM的适用性.
研究的目的:
- 通过使用深度学习来改善冷EM中的图像对齐.
- 为了克服冷EM中调整错误所造成的尺寸限制.
- 为增强的冷EM重建开发一种新的规范化技术.
主要方法:
- 在电子显微镜数据库 (EMDB) 的冷EM数据上训练了一种无声化的卷积神经网络.
- 应用训练的神经网络作为Blush规范化,作为传统光滑度先验的替代方案.
- 对现有算法进行重建质量的评估,特别是对于低信号对噪声数据.
主要成果:
- 红色调整显著改善了冷EM图像对齐和重建质量.
- 该方法的性能优于现有的算法,特别是在具有挑战性的低信号对噪声条件下.
- 成功重建了一个以前难以处理的40kDa蛋白质核酸复合体.
结论:
- 基于深度学习的denoising神经网络增强了冷EM结构的确定.
- 红色调整扩大了冷EM的范围,以更小和更低信号的生物大分子.
- 这一进步扩大了冷EM在各种生物研究领域的适用性.
