續寫施一公與冷凍電鏡傳奇

原標題：登Nature子刊！加州大學用AI革新冷凍電鏡三維重建，實現結構生物學重大突破
文章來源：HyperAI超神經
內容字數：9950字

加州大學洛杉磯分校的研究突破

加州大學洛杉磯分校的研究團隊近日提出了一種名為spIsoNet的自監督深度學習方法，旨在提升單粒子冷凍電鏡（Cryo-EM）在生物大分子三維重建中的表現。該方法顯著改善了樣品的對齊精度和角度各向同性，為結構生物學領域帶來新突破。

冷凍電鏡的重要性

冷凍電鏡是一項性技術，自2017年獲得諾貝爾化學獎以來，廣泛應用于生命科學。該技術能夠快速冷卻樣品，防止水分子結晶，保留樣品的近生理狀態，并實現高分辨率的3D可視化。然而，樣本制備中的取向優勢問題一直困擾著研究人員，導致數據集不完整，進而影響重構質量。

spIsoNet的創新設計

spIsoNet的神經網絡架構基于U-net，主要由兩個模塊組成：各向異性校正模塊和錯位校正模塊。各向異性校正通過最小化不同損失函數，提高了圖像質量，而錯位校正則解決了由于成像幾何畸變導致的圖像錯位問題。

研究結果及應用

研究表明，spIsoNet能夠有效恢復缺失的信息，并顯著提高冷凍電鏡圖像的質量。通過對多個數據集的測試，包括β-半乳糖苷酶和HA三聚體數據集，spIsoNet在三維重建過程中展現出更高的角度各向同性和粒子對齊精度。此外，spIsoNet在處理復雜生物分子結構時，如核糖體和HIV病毒樣顆粒，表現出色。

AI與冷凍電鏡的未來

AI技術與冷凍電鏡的結合正在為結構生物學開辟新篇章。近期，相關研究團隊還提出了CryoSTAR方法，利用蛋白質原子結構模態先驗，進一步提升了冷凍電鏡在動態構象解析中的應用潛力。

總結

spIsoNet的推出為冷凍電鏡技術的應用提供了新的視角，標志著自監督深度學習在生物大分子研究中的重要性。隨著AI技術的不斷發展，未來的結構生物學研究有望在精度和效率上獲得更大提升。

聯系作者

文章來源：HyperAI超神經
作者微信：
作者簡介：解構技術先進性與普適性，報道更前沿的 AIforScience 案例