从使用基于模拟的推断推断的冷电子显微镜图像中对分子构造的摊销模板匹配

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:

• 了解生物分子功能需要对构造组合进行表征.
• 电子显微镜 (cryo-EM) 提供2D快照,但受到噪声和未知方向的影响,使形状识别复杂化.
• 传统方法在计算成本和参数估计方面遇到了困难.

研究的目的:

• 引入基于冷EM模拟的推断 (cryoSBI) 来从单个冷EM图像中推断生物分子构造及其不确定性.
• 为了能够对大型冷电磁数据集进行高效和准确的分析.
• 为可靠的结构分析提供可解释的机器学习模型.

主要方法:

• CryoSBI集成了基于物理的模拟与贝叶斯推理的概率深度学习.
• 一个神经网络在模拟的冷电磁图像上受训,这些图像来自结构假设 (模板).
• 训练有素的网络很快地从实验图像中推断出构造,绕过了明确的概率计算和粒子姿势估计.

主要成果:

• 从冷EM图像中,CryoSBI准确地推断出生物分子构造和相关的不确定性.
• 该方法显著提高了计算速度,在一次性训练后,在毫秒内处理图像.
• 可解释的机器学习模型是通过将基于物理的模拟与深度神经网络相结合来生成的.

结论:

• CryoSBI提供了一种计算效率高,可靠的方法来分析单粒子冷EM数据.
• 该方法可以在微图上进行直接分析,适合大规模的结构生物学研究.
• CryoSBI通过提供透明和可靠的结构洞察力来推进冷EM数据的解释.