超越当前边界：集成深度学习与 AlphaFold 以增强低分辨率冷冻电子显微镜图图的蛋白质结构预测
定量方法
2024-11-01 v1 机器学习
摘要
从冷冻电子显微镜 (cryo-EM) 图中构建原子模型是结构生物学中的关键且复杂任务。尽管卷积神经网络 (CNN) 和图神经网络 (GNN) 等深度学习技术的进步推动了像 DeepTracer 和 ModelAngelo 这样精细的图至模型工具的开发，但其在 4 Å 以上低分辨率图上的效果显著下降。为此，本研究引入了 DeepTracer-LowResEnhance，一种创新框架，将深度学习增强的图 refinement 技术与 AlphaFold 的强大功能相结合。该方法旨在显著提高从低分辨率 cryo-EM 图中构建模型的能力。对 37 组蛋白质 cryo-EM 图进行了严格测试，分辨率范围为 2.5 到 8.4 Å，其中 22 组图的分辨率低于 4 Å。结果令人印象深刻，显示出 95.5% 的低分辨率图在总预测残基数量方面实现了显著提升。这表明在低分辨率图上构建原子模型方面取得了显著进展。此外，与 Phenix 的自动锐化功能进行的比较分析表明，DeepTracer-LowResEnhance 在渲染更详细和精确的原子模型方面具有优势，从而推动了当前计算结构生物学方法的边界。
引用
@article{arxiv.2410.23321,
title = {Beyond Current Boundaries: Integrating Deep Learning and AlphaFold for Enhanced Protein Structure Prediction from Low-Resolution Cryo-EM Maps},
author = {Xin and Ma and Dong Si},
journal= {arXiv preprint arXiv:2410.23321},
year = {2024}
}