深度生成模型在 DNA 反应动力学和低温电子显微镜中的应用

本论文探讨了如何通过将领域知识与深度学习相结合，利用深度生成模型来推进分析具有挑战性的生物学问题。具体聚焦于 DNA 反应动力学和低温电子显微镜（cryo-EM）。在前半部分，我们提出了 ViDa 框架，这是一种受生物物理学启发的框架，利用变分自编码器（VAEs）和几何散射变换来生成 DNA 反应动力学仿真的生物物理学上合理的嵌入表示。这些嵌入被降维至二维空间，以可视化 DNA 杂交及至手持 strand 置换反应。ViDa 能够保留结构并将轨迹集合聚类到反应路径中，使仿真结果更具可解释性，并揭示新的机制性洞见。在后半部分，我们解决了低温电子显微镜密度图解释和蛋白质结构建模中的关键挑战。我们提供了关于原子模型构建深度学习方法的全面综述和基准测试，包括改进的评估指标和实用指导。随后，我们提出了 Struc2mapGAN，这是一个生成对抗网络，用于从蛋白质结构综合出高保真的实验类低温电子显微镜密度图。最后，我们提出了 CryoSAMU，这是一个结构感知的多模态 U-Net，通过交叉注意力将密度特征与来自蛋白质语言模型的结构嵌入相集成，以提升中分辨率的低温电子显微镜密度图。总体而言，这些贡献表明，深度生成模型有望用于解释 DNA 反应机制，并推进低温电子显微镜密度图分析和蛋白质结构建模。