自主监督学习用于冷电磁显微镜中的可概括粒子采集

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:

• 低温电子显微镜 (cryo-EM) 数据的手动注释是劳动密集型和耗时的.
• 开发用于粒子采集的自动化方法对于高效的冷EM数据分析至关重要.
• 现有的方法通常需要大量的注释数据集来训练监督模型.

研究的目的:

• 引入冷电子显微镜蒙面自编码器 (cryo-EMMAE),一种用于冷电子显微镜数据分析的新型自主监督学习方法.
• 为了证明冷-EMMAE在粒子采集和3D重建中的有效性.
• 为了减少对冷-EM工作流程中手动注释的依赖.

主要方法:

• 实施了面具自编码器 (MAE) 架构,用于对冷EM图像进行自我监督的学习.
• 利用MAE的潜伏表示空间来聚类粒子像素.
• 在不同的EMPIAR数据集上评估了冷-EMMAE性能,用于粒子采集和3D重建.

主要成果:

• 与最先进的监督方法相比,cryo-EMMAE实现了优越的概括能力.
• 该方法在不同培训数据集中显示出一致的性能,并且具有数据效率,只需五个微图就可以融合.
• 在单粒子数据集和细胞提取物中观察到优异的3D重建性能.

结论:

• 自主监督学习,以cryo-EMMAE为例,为cryo-EM图像分析提供了一个强大的替代方案.
• cryo-EMMAE提高了结构生物学研究的效率并降低了成本.
• 该方法显示了推进自动化冷EM数据处理的巨大潜力.