一个标记数据集,用于基于人工智能的冷EM地图增强
Nabin Giri1,2, Xiao Chen3, Liguo Wang4
1University of Missouri, Electrical Engineering and Computer Science, Columbia, 65211, USA.
bioRxiv : the preprint server for biology
|April 1, 2025
概括
一个新的开源数据集帮助人工智能 (AI) 破解冷电子显微镜 (cryo-EM) 密度图. 该资源使人工智能开发能够改善结构生物学中的原子结构构建.
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 (cryo-EM) 提供了近原子分辨率成像的宏分子复合体.
- 低温电磁密度图包含来自各种来源的噪声,阻碍了精确的原子结构构建.
- 缺乏标准化的数据集,用于对冷EM地图无声化中的人工智能 (AI) 方法进行基准测试.
研究的目的:
- 为了呈现一个开源数据集的冷-EM密度图 denoising.
- 为了促进AI方法的开发和基准测试,以增强冷EM数据.
- 弥合结构生物学和人工智能社区之间的差距.
主要方法:
- 编制了650个高分辨率 (1-4 Å) 的实验冷电磁图的数据集.
- 生成了三种类型的标签图:回归,二进制分类和原子类型分类.
- 将所有地图标准化为1 Å voxel大小,并使用福里埃相关性 (FSC) 进行验证.
主要成果:
- 该数据集包括对训练人工智能模型至关重要的各种标签地图.
- 福利埃贝相关性分析证实,生成的标签地图的分辨率得到了大幅改善.
- 数据集已被验证并准备好由研究界使用.
结论:
- 这个开源数据集为冷EM密度图的研究提供了一个标准化资源.
- 它可以开发和严格对AI算法进行基准测试,以改善结构生物学.
- 促进了从冷电磁数据中确定原子结构的进步.


