联合的焦点损失和子损失函数改善了中等分辨率的冷电子显微镜密度图中的β片的细分

科学领域:

• 结构生物学 结构生物学
• 计算生物学 计算生物学
• 生物物理学的生物物理.

背景情况:

• 从冷电子显微镜 (cryo-EM) 地图中精确检测蛋白质二次结构对于结构生物学至关重要.
• 现有的深度学习方法经常使用交叉损失,这与冷EM数据中的类失衡有关.
• 识别像β-sheets这样具有挑战性的结构仍然是一个重大障碍.

研究的目的:

• 在中分辨率的冷电磁图中,评估和比较用于二级结构细分的不同损失函数.
• 开发一个更有效的损失函数,解决类不平衡,提高检测准确性,特别是对于β表.
• 将优化的模型集成到DeepSSETracer软件中,以便实际应用.

主要方法:

• 研究了五个损失函数:交叉,焦点损失,子损失和两个组合函数.
• 在DeepSSETracer方法中使用U-Net架构.
• 在1355个原子结构/密度图对的数据集上训练和评估模型.

主要成果:

• 一个联合的焦点损失和子损失功能显示出优越的整体二级结构检测准确性.
• 与交叉损失相比,这种组合损失函数显著提高了beta-sheet检测的F1得分,提高了8.8%.
• 新训练的模型,纳入了DeepSSETracer 1.1,显示了在蛋白质二次结构的细分方面提高了性能.

结论:

• 设计专门的损失函数是克服冷EM地图细分挑战的关键.
• 结合的焦点和子损失函数为准确的二次结构识别提供了一个有希望的方法.
• DeepSSETracer 1.1,随着其改进的模型,为分析冷EM数据中的蛋白质结构提供了有价值的工具,并与ChimeraX.X集成.