无监督分类的流感病毒表面尖峰从冷-EM重建使用头到茎宽度比率

科学领域:

• 结构生物学是结构生物学.
• 病毒学 病毒学
• 计算生物学是一种计算生物学.

背景情况:

• 准确识别流感病毒表面糖蛋白,血凝素 (HA) 和神经氨基酶 (NA),对于理解病毒结构和疫苗设计至关重要.
• 目前用于尖端分析的机器学习 (ML) 方法需要大量的注释数据集,并且可能缺乏生物解释性.

研究的目的:

• 开发一个无监督的,基于形态学的计算管道,用于从冷电子显微镜 (cryo-EM) 重建中直接对HA和NA尖峰进行分类.
• 为尖峰分类提供一种可解释和可重复的方法,从而减少手动注释的费用.

主要方法:

• 管道使用模糊连接细分与几何描述符 (头与茎宽度比) 结合,自动区分HA和NA尖峰.
• 该方法通过使用B型流感病毒的实验冷EM数据和模拟的3D病毒幻影与冷EM数据采集和重建来验证.

主要成果:

• 该方法在实验性B型流感病毒重建中成功识别了HA和NA类形态.
• 对30个合成幻影重建的定量验证表明,无监督方法的平均分类纯度为97.5%.
• 开发的框架提供了可解释的,高可信度的尖端标签,减少了手动注释的需要.

结论:

• 这种无监督的,基于形态学的方法提供了一个实用且可扩展的工具,用于从冷EM数据中分类流感病毒峰值.
• 该方法将经典图像分析与现代数据驱动技术相结合,支持监督的ML分类人员的培训.
• 这些发现促进了结构性病毒学和流感监测的发展,使病毒表面糖蛋白的有效和准确分析成为可能.