化FSL:一个注释效率高,几次射击的学习框架,用于在化-EM显微镜中进行坚固的蛋白质颗粒挑选

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:

• 用冷电子显微镜 (cryo-EM) 精确识别蛋白质颗粒对于高分辨率的结构确定至关重要.
• 目前的方法往往需要大量的注释数据集,并与低信号噪声比 (SNR) 条件作斗争,限制对新蛋白质标的概括.

研究的目的:

• 开发一种新的几次射击学习框架,用于在冷EM中进行强大的和注释效率高的粒子选择.
• 与现有方法相比,要显著降低注释负担,同时保持或提高性能.

主要方法:

• 开发了CryoFSL,这是一个使用Segment Anything Model 2 (SAM2) 轻量级适配器的短时间学习框架.
• 实现了对动态特征调制的层次适配器设计,以处理低SNR和异质冷EM数据.
• 通过使用最少的标记微图 (只有五张) 对各种蛋白质点进行框架评估.

主要成果:

• 与传统和最先进的深度学习方法相比,CryoFSL在几次拍摄中实现了更高的回忆,精度和3D重建分辨率.
• 该框架在异质微图中表现出强度和稳定性,始终识别出具有较少假阳性的高质量粒子.
• 与其他方法相比,使用一小部分粒子实现了具有竞争力的密度图重建分辨率.

结论:

• CryoFSL提供了一个可扩展,可泛化和注释效率高的解决方案,用于在cryo-EM中进行粒子采集.
• 这种方法显著减少了对大型注释数据集的依赖,使冷电磁分析更容易获得和更有效.
• 该框架重新定义了冷EM数据处理中的效率和质量标准.