A kutatók szoftvercsomagot fejlesztenek az elektrontomográfia izotróp rekonstrukciójához mély tanulással

Nature Communications (2022). DOI: 10.1038/s41467-022-33957-8″ width=”800″ height=”530″”/>

Az IsoNet elve és munkafolyamata. az IsoNet szoftver munkafolyamata. b IsoNet GUI. c A Finomítás lépés illusztrációja: A szubtomogramokat először elforgatja, majd további hiányzó ékműtermékekkel más irányok mentén (pl. YZ tengely) alkalmazza, hogy párosított adatokat állítson elő a betanításhoz. Másodszor, a párosított adatokat egy U-net architektúrájú neurális hálózat betanítására használják. Harmadszor, a betanított neurális hálózatot alkalmazzák a kivont szubtomogramokon, hogy korrigált szubtomogramokat állítsanak elő hiányzó ékkel. Az ezekben a szubtomogramokban visszanyert információk hozzáadódnak az eredeti szubtomogramokhoz, új adatkészleteket hozva létre a következő iterációhoz. d, e Az IsoNet validálása az apoferritin (d) és riboszóma (e) szimulált szubtomogramjával. A rekonstrukciók három merőleges irányából származó felületnézetek az IsoNet feldolgozás növekvő iterációi után jelennek meg. A kék nyilak az RNS-duplexek szegmenseit jelzik. Hitel: A természet kommunikációja (2022). DOI: 10.1038/s41467-022-33957-8

ban megjelent tanulmányban Természet Kommunikáció, a Prof. Bi Guoqiang, a Kínai Tudományos és Technológiai Egyetem (USTC) és a Shenzhen Institute of Advanced Technology, Kínai Tudományos Akadémia (CAS) által vezetett csapata az Egyesült Államok munkatársaival együtt szoftvercsomagot fejlesztett ki az IsoNet név a kriogén elektrontomográfia (cryoET) izotróp rekonstrukciójára. Munkájuk hatékonyan oldotta meg a belső “hiányzó ék” problémát és az alacsony jel-zaj arány problémáit a cryoET-ben.

A belső “hiányzó ék” probléma által okozott anizotróp felbontás régóta kihívást jelent a CryoET használata során a sejtszerkezetek megjelenítésére. Ennek megoldására fejlesztette ki a csapat az IsoNet szoftvercsomagot, amely egy iteratív, önellenőrző, mesterséges neurális hálózatra épül, mély tanulással.

Az elforgatott cryoET tomográfiás 3D rekonstrukciós adatokat tanítókészletként használva algoritmusuk a hiányzó élek korrekcióját tudja elvégezni a cryoET adatokon. Ezzel egyidejűleg egy zajcsökkentő folyamat is hozzáadódik az IsoNethez, amely lehetővé teszi a mesterséges neurális hálózat számára a hiányzó információk helyreállítását, miközben eltávolítja a 3D tomográfiai adatokat.

Az apoferritin és riboszóma szimulált szubtomogramjain IsoNet-rekonstrukciók végrehajtásával a csapat az alacsony felbontású atomi modellekhez hasonló eredményeket ért el. Az éretlen HIV-kapszid, a paraflagellar pálcika és a tenyésztett sejtek neuronális szinapszisának 3D-s tomográfiai adataira is rekonstrukciót végeztünk, amelyek mindegyike lenyűgöző eredményeket hozott.

Figyelemre méltó, hogy miután IsoNet segítségével rekonstruáltuk a neuronális szinapszis tomogramját, amely jellemzően nagyszámú fehérjét, membránszervecskét, citoszkeletont és egyéb összetett struktúrákat tartalmaz, a vezikulák, mitokondriumok, mikrotubulusok, mikrofilamentumok, sejtmembránok 3D tomográfiai információi. és a fehérjekomplexek mind jól helyreálltak.

A kutatók áttörést értek el a kriogén elektrontomográfia rekonstrukciójában

A szinapszis cryoET rekonstrukciós adatai IsoNet-tel történő feldolgozás előtt és után, valamint a szinapszisokban lévő ultrastruktúra 3D-s vizualizációs megjelenítése IsoNet-tel történő feldolgozás után. Köszönetnyilvánítás: Prof. Bi csapata

A kiadás után az IsoNet számos vitát váltott ki, amelyek közül a legfontosabb az, hogy az IsoNet hogyan valósítja meg a hiányzó ékkorrekciót. Fontos következtetés, hogy a képzés során a neurális hálózat képes megtanulni a biológiai struktúrák, például a fehérjék jellemzőit a 3D-s térben különböző szögekben, és ezt az információt kiegészíteni a hiányzó ék irányával, hasonlóan a krio 3D-s átlagolásához. egyrészecskés elektron mikroszkópia. .

Ezért a neurális hálózat szerkezetének folyamatos optimalizálásával és a képzési készlet bővítésével az IsoNet képes lesz visszanyerni a sejtben lévő összes fehérjemolekula nagy felbontású 3D szerkezeti információit, ami szilárd alapot biztosít a nagy felbontású 3D textúra megjelenítéséhez. . és az egyes fehérjemolekulák in situ eloszlása.

Dimitry Tegunov szakértők és más szakértők szerint az IsoNet koncepciója lenne a cryoET jövőbeli fejlesztési iránya.

Több információ:
Yun-Tao Liu és munkatársai, Isotropic rekonstruction for deep learning elektrontomográfia, A természet kommunikációja (2022). DOI: 10.1038/s41467-022-33957-8

Kínál: Kínai Tudományos és Technológiai Egyetem

Idézet: A kutatók izotróp rekonstrukciós szoftvercsomagot fejlesztenek ki mély tanulási elektrontomográfiához (2022, november 17.) Letöltve 2022. november 17-én a https://techxplore.com/news/2022-11-software-package-isotropic-reconstruction-electron.html webhelyről

Ez a dokumentum szerzői jogvédelem alatt áll. A magántanulmányi vagy kutatási célú tisztességes üzletmenet kivételével írásos engedély nélkül semmi más nem reprodukálható. A tartalom kizárólag tájékoztató jellegű.

Leave a Comment

%d bloggers like this: