使用 HetSIREN 对 CryoEM 形状状态进行实时空间异质的重建,改进和解

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:

• 电子显微镜 (CryoEM) 对于确定宏分子构造至关重要.
• 在CryoEM中图像处理通常需要分类来克服低信号噪声比,并使结构建模.
• 传统的方法假设离散的构造,但先进的算法探索连续的构造景观.

研究的目的:

• 介绍 HetSIREN,一种用于 CryoEM 数据重建和改进的新型深度学习方法.
• 为了能够准确地估计构造性景观,并将结构异质性与姿势估计脱.
• 分析生物分子的结构动力学,包括SARS-CoV-2尖端蛋白.

主要方法:

• 开发了HetSIREN,这是一个在现实空间中运行的深度学习模型,用于CryoEM体积重建.
• 采用了新的网络架构,具有超侧面激活,以提高分析能力.
• 整合了总变化和表示约束,以及一个独特的编码架构,以将姿势/CTF信息与形状数据分开.

主要成果:

• HetSIREN成功地重建和精炼了CryoEM体积,产生了具有高质量的特征的更清洁的结构.
• 该方法准确地估计了构造性景观,并提供了可解释的潜在空间.
• 使用模拟,公开和实验数据,证明了SARS-CoV-2尖端蛋白结构和动态对储存温度的敏感性.

结论:

• HetSIREN 提供了一个强大的新范式,用于分析 CryoEM 中的结构异质性和结构动态.
• 解脱姿势和形状信息的能力导致更准确,更可靠的结构洞察力.
• 这项研究强调了环境因素 (如温度) 对病毒蛋白结构和功能的影响.