CryoSift:一种可访问和自动化的CNN驱动工具,用于冷EM 2D类选择
Jan Hannes Schäfer1, Austin Calza1, Keegan Hom1
1Department of Integrative Structural and Computational Biology, Scripps Research, La Jolla, California, USA.
Acta crystallographica. Section F, Structural biology communications
|November 7, 2025
概括
使用卷积神经网络 (CNN) 的新工具CryoSift自动化了在冷电子显微镜 (cryo-EM) 数据处理中的粒子选择. 这通过提高所有用户的数据分析效率来增强高分辨率结构确定.
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:
- 单粒子冷电子显微镜 (cryo-EM) 对于确定分子结构至关重要.
- 在冷EM中自动化数据处理仍然是一个重大挑战,阻碍了高吞吐量分析.
- 目前的方法往往需要大量的手工干预,限制了可访问性和速度.
研究的目的:
- 开发一种自动化工具,用于评估冷EM数据中二维平均值的质量.
- 允许自动选择合适的颗粒用于高分辨率的冷电磁重建.
- 为了提高效率,将此工具集成到完全自动化的处理管道中.
主要方法:
- 开发一个独立于平台的卷积神经网络 (CNN),命名为CryoSift.
- 将 CryoSift 集成到使用 cryosparc 工具的自动化处理管道中.
- 实现可定制的2D评估工作流程用于粒子选择.
主要成果:
- CryoSift有效地评估了2D平均值的质量,促进了自动粒子选择.
- 集成管道简化了冷EM数据处理,减少了人工工作.
- 工作流支持高吞吐量处理,有利于新手和经验丰富的用户.
结论:
- CryoSift提供了一个强大的解决方案,用于自动化在冷EM中的粒子选择.
- 开发的工作流显著提高了冷EM数据分析的效率和可访问性.
- 这一进步支持冷电磁波的更广泛应用,用于高分辨率的结构确定.
