Overcoming the preferred - orientation problem in cryo - EM with self - supervised deep learning
论文题目
the - in cryo-EM with self- deep
论文摘要
该论文主要介绍了这一方法，在解决冷冻电镜（cryo-EM）中的择优取向问题上的突破。择优取向是冷冻电镜样品中常见的一个问题，它会导致重建的图像形状扭曲或错误，进而影响后续的三维精修和结构解析。
在本文中，作者提出了一种基于深度学习的方法——，该方法通过训练一个U-net架构的神经网络，对两个半图进行 （各向异性校正），从而改善图像的各向同性分辨率。的特点在于其使用了四个损失函数进行端到端的训练，并利用3DFSC算法作为可靠性度量。
实验结果表明，能显著提高冷冻电镜重建图像的质量。无论是在模拟数据、蛋白质数据集还是不对称的蛋白质-核酸复合物数据集上，都表现出了优越的性能。特别是在处理具有严重择优取向问题的数据集时，仍能获得高分辨率的结构。
此外，还具有广泛的适用性。它不仅可以用于单颗粒冷冻电镜，还可以用于冷冻电子断层扫描（cryo-ET）中的子断层平均。这一方法为生物学家和结构生物学家提供了更为准确、高效的工具。
论文链接