續(xù)寫(xiě)施一公與冷凍電鏡傳奇

原標(biāo)題：登Nature子刊！加州大學(xué)用AI革新冷凍電鏡三維重建，實(shí)現(xiàn)結(jié)構(gòu)生物學(xué)重大突破
文章來(lái)源：HyperAI超神經(jīng)
內(nèi)容字?jǐn)?shù)：9950字

加州大學(xué)洛杉磯分校團(tuán)隊(duì)利用AI提升冷凍電鏡技術(shù)

本文介紹了加州大學(xué)洛杉磯分校研究團(tuán)隊(duì)開(kāi)發(fā)的 spIsoNet 自監(jiān)督深度學(xué)習(xí)方法，該方法顯著提升了單粒子冷凍電鏡技術(shù)的三維重建質(zhì)量，解決了冷凍電鏡技術(shù)中長(zhǎng)期存在的取向優(yōu)勢(shì)難題。

1. 冷凍電鏡技術(shù)及其挑戰(zhàn)

冷凍電鏡技術(shù)榮獲2017年諾貝爾化學(xué)獎(jiǎng)，是結(jié)構(gòu)生物學(xué)領(lǐng)域的重要工具，它能夠以高分辨率對(duì)生物大分子進(jìn)行三維可視化。然而，樣本制備過(guò)程中的取向優(yōu)勢(shì)問(wèn)題一直是該技術(shù)的瓶頸。蛋白質(zhì)在氣液界面上的吸附常常導(dǎo)致投影數(shù)據(jù)集不完整，造成三維重建失真。

2. spIsoNet方法的提出與原理

為了解決取向優(yōu)勢(shì)問(wèn)題，加州大學(xué)洛杉磯分校的研究團(tuán)隊(duì)提出了 spIsoNet 方法。這是一個(gè)基于 U-net 深度學(xué)習(xí)模型的端到端方法，主要由兩個(gè)模塊組成：各向異性校正模塊和各向異性校正驅(qū)動(dòng)的錯(cuò)位校正模塊。各向異性校正模塊通過(guò)集成3DFSC算法，最小化多種損失函數(shù)的加權(quán)和，提高圖像質(zhì)量。錯(cuò)位校正模塊則集成圖像過(guò)濾、各向異性校正和 RELION 自動(dòng)精細(xì)化等步驟，進(jìn)一步提升重建精度和各向同性。

3. spIsoNet在不同數(shù)據(jù)集上的應(yīng)用與結(jié)果

研究人員在多個(gè)數(shù)據(jù)集上測(cè)試了 spIsoNet 的性能，包括 β-半乳糖苷酶數(shù)據(jù)集、HA 三聚體數(shù)據(jù)集（傾斜和非傾斜）、非對(duì)稱核糖體數(shù)據(jù)集和 HIV VLP 斷層掃描數(shù)據(jù)集。結(jié)果表明，spIsoNet 的各向異性校正模塊有效減少了由取向優(yōu)勢(shì)引起的三維重建失真，錯(cuò)位校正模塊則顯著提高了圖像質(zhì)量、分辨率和各向同性，成功識(shí)別并糾正了許多錯(cuò)誤分配的方向。在處理非對(duì)稱粒子以及含有核酸分子的粒子時(shí)，spIsoNet 也表現(xiàn)出色。

4. spIsoNet的應(yīng)用潛力與AI在結(jié)構(gòu)生物學(xué)中的前景

spIsoNet 在原位結(jié)構(gòu)生物學(xué)中具有應(yīng)用潛力，例如在 HIV-1 VLP 斷層掃描數(shù)據(jù)集上的應(yīng)用展示了其在提高分辨率和各向同性方面的優(yōu)勢(shì)。AI與冷凍電鏡的結(jié)合正在開(kāi)啟結(jié)構(gòu)生物學(xué)的新篇章，AI技術(shù)能夠有效輔助傳統(tǒng)結(jié)構(gòu)生物學(xué)方法，例如提升時(shí)間分辨冷凍電鏡的分析精度，解析生物大分子的動(dòng)態(tài)構(gòu)象。

5. 總結(jié)

spIsoNet 方法為解決冷凍電鏡技術(shù)中的取向優(yōu)勢(shì)問(wèn)題提供了一種新途徑，顯著提高了生物大分子三維重建的質(zhì)量，為結(jié)構(gòu)生物學(xué)研究提供了強(qiáng)有力的工具。AI與冷凍電鏡技術(shù)的結(jié)合，將進(jìn)一步推動(dòng)結(jié)構(gòu)生物學(xué)領(lǐng)域的發(fā)展，為理解生命現(xiàn)象提供更深入的見(jiàn)解。

聯(lián)系作者

文章來(lái)源：HyperAI超神經(jīng)
作者微信：
作者簡(jiǎn)介：解構(gòu)技術(shù)先進(jìn)性與普適性，報(bào)道更前沿的 AIforScience 案例