深度学习驱动的cryoET数据处理算法

冷冻电子断层扫描（cryoET）技术在结构生物学领域展现出卓越潜力，但长期受困于两大技术难题：缺失锥效应与低信噪比。近日，中国科学技术大学毕国强团队联合美国加州大学洛杉矶分校周正洪教授，提出了一套基于深度学习的创新解决方案——IsoNet算法。该研究成果于2022年10月29日发表于《自然·通讯》期刊。

简而言之，研究人员构建了一种迭代优化的自监督深度学习网络，其训练数据源自经过旋转处理的cryoET断层三维重构结果。借助这一设计，网络能够自主“填补”缺失锥方向的信息。更巧妙的是，降噪处理也被集成到同一个神经网络中，使得算法能同时完成信息补全与噪声抑制，实现一步到位的优化。

图1展示了该方法的完整流程。以模拟缺失锥的铁蛋白和核糖体为测试对象，经IsoNet处理后的三维结构精度已可与低分辨率原子模型相媲美。进一步在真实样本——未成熟HIV衣壳、副鞭毛杆及培养神经细胞突触中进行验证，效果同样令人瞩目。尤其值得关注的是神经突触这一“硬骨头”：其中富含蛋白质、膜性细胞器及细胞骨架，结构复杂程度极高。但经IsoNet处理后，突触内的囊泡、线粒体、微管、微丝、细胞膜乃至蛋白复合物的三维信息均得到显著恢复。图2直观呈现了处理前后的差异。

图2：IsoNet处理神经突触cryoET数据的前后对比，以及处理后基于电子密度的三维可视化渲染。

值得关注的是，IsoNet算法在预印本平台bioRxiv上线后迅速引发领域内高度关注与热烈讨论。大家最关心的问题之一是：它究竟如何实现缺失锥矫正？较为主流的推测是，神经网络在训练过程中逐步学习蛋白质等生物结构在三维空间不同角度下的特征，并将这些特征“迁移”到缺失锥方向。这一思路与单颗粒冷冻电镜中的三维平均技术有异曲同工之妙。

沿着这一逻辑，只要持续优化网络架构并扩大训练数据集，IsoNet理论上能够恢复细胞内每一个蛋白质分子的高分辨三维结构。这意味着，我们距离“在细胞原位观察每个蛋白质分子的精细三维结构与组织分布”这一终极目标又迈出了关键一步。正如领域专家Dimitry Tegunov在推特上评价：IsoNet的思路，正是cryoET技术的未来方向。

本研究的第一作者为中国科学技术大学博士生刘云涛（目前于加州大学洛杉矶分校从事博士后研究）以及2018级本科生张恒（现于北京大学攻读研究生），通讯作者为毕国强教授与周正洪教授。此外，中科院深圳先进技术研究院副研究员陶长路博士、UCLA博士生王辉也参与了研究工作。该成果得到了科技部、国家自然科学基金委以及中科院先导专项的资助。（本文编辑：黄飞）

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：深度学习驱动的cryoET数据处理算法要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题