使用深度学习在冷EM和X射线地图中的连接物识别.
Jacek Karolczak1, Anna Przybyłowska1, Konrad Szewczyk1
1Institute of Computing Science, Poznan University of Technology, Piotrowo 2, 60-965 Poznan, Poland.
bioRxiv : the preprint server for biology
|September 11, 2024
概括
本研究引入了一种深度学习方法,用于识别结构生物学中的联体,适用于X射线晶体学和冷电子显微镜 (cryoEM) 密度图. 该方法将密度图视为3D点云,为准确的连接物识别提供了一种全新的端到端解决方案.
科学领域:
- 结构生物学 结构生物学
- 计算化学的计算化学
- 药物设计 药物设计
背景情况:
- 准确的配体鉴定对于结构导向药物设计至关重要.
- 从X射线衍射和冷电子显微镜 (cryoEM) 解释密度图具有挑战性,容易产生认知偏见.
- 目前用于连接体识别的自动化方法仅限于X射线衍射,不使用端到端深度学习.
研究的目的:
- 开发一种新的深度学习方法,使用密度图来识别连接体.
- 创建一种适用于X射线结晶学和冷EM数据的方法.
- 在药物设计中提高连接物识别的准确性和效率.
主要方法:
- 开发了一个深度学习模型,将3D密度地图视为点云.
- 该模型使用电子密度图片碎片进行了训练和测试.
- 该方法在X射线结晶学和冷EM数据集上的表现得到了评估.
主要成果:
- 拟议的深度学习模型的性能与现有的X射线晶体学机器学习方法相提并论.
- 该模型已成功应用于冷EM密度图,证明了其多功能性.
- 该研究强调了电子密度图片碎片对于模型训练的实用性,适用于冷EM结构.
结论:
- 开发的深度学习方法为在不同的结构生物学技术中进行连接物识别提供了有效和多功能解决方案.
- 这种方法可以帮助克服与密度图解释和认知偏差相关的挑战.
- 需要进行进一步的工作,以解决冷EM图的标准化和质量评估,以改进连接物识别.


