DeepEMhancer: решение на основе глубокого обучения для постобработки томов криоэлектронной микроскопии

DeepEMhancer: a deep learning solution for cryo-EM volume post-processing
Carlos Óscar S. Sorzano, Javier Vargas, J.M. Carazo, Rubén Sánchez-García, Josué Gómez-Blanco, Ana Cuervo
2021-07-15

DeepEMhancerРНК-полимераза SARS-CoV-2постобработка крио-ЭМ картглубокое обучениеулучшение резкости карт
Карты криоэлектронной микроскопии (крио-ЭМ) представляют собой ценный источник информации для моделирования структуры белков. Однако из-за потери контраста на высоких пространственных частотах они, как правило, требуют постобработки для улучшения их интерпретируемости. Большинство наиболее распространённых подходов, основанных на глобальной коррекции B-фактора, имеют ограничения. В частности, они не учитывают неоднородность локального качества карт, характерную для реконструкций. Для преодоления этих проблем мы представляем DeepEMhancer — подход на основе глубокого обучения, предназначенный для автоматической постобработки карт крио-ЭМ. Обученный на наборе пар экспериментальных карт и карт, подвергнутых заострению с использованием соответствующих атомных моделей, DeepEMhancer научился выполнять постобработку экспериментальных карт, осуществляя операции, аналогичные маскированию и заострению, за один этап. DeepEMhancer был оценён на тестовом наборе из 20 различных экспериментальных карт, продемонстрировав способность снижать уровень шума и получать более детализированные версии экспериментальных карт. Кроме того, преимущества DeepEMhancer были проиллюстрированы на структуре РНК-полимеразы SARS-CoV-2.
1
DeepEMhancer — автоматический метод постобработки крио-ЭМ-карт на основе глубокого обучения, устраняющий ограничения глобальной коррекции B-фактора.
2
Оценка на 20 экспериментальных картах показала, что DeepEMhancer снижает уровень шума и создаёт более детализированные представления карт.
3
Преимущества метода дополнительно продемонстрированы на крио-ЭМ-структуре РНК-полимеразы SARS-CoV-2.
4
Метод обучали на парах экспериментальных карт и карт, улучшенных с использованием соответствующих атомных моделей; DeepEMhancer одновременно выполняет операции, аналогичные маскированию и повышению резкости.

экспериментальные крио-ЭМ-карты белковых структур

автоматическая постобработка крио-ЭМ-карт для снижения уровня шума и повышения детализации структуры с учётом неоднородности локального качества карты

Publication Details
Publication Date
2021-07-15
Journal
Publisher
ISSN
Cited by
1349
Access Type
Author Information
Authors
Carlos Óscar S. Sorzano
Javier Vargas
J.M. Carazo
Rubén Sánchez-García
Josué Gómez-Blanco
Ana Cuervo
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%