3月12日消息，中國科學院自動化研究所多模態人工智能系統實驗室楊戈團隊與中國科學院生物物理研究所蛋白質科學研究平臺生物成像中心孫飛團隊合作，以人工智能技術賦能原位結構生物學，提出了一種基于弱監督深度學習的快速準確顆粒挑選方法DeepETPicker。
據悉，相關研究以《DeepETPicker：基于弱監督深度學習的快速準確三維冷凍電子斷層掃描圖像粒子自動檢測器》(DeepETPicker: Fast and accurate 3D particle picking for cryo-electron tomography using weakly supervised deep learning)為題發表于《自然·通訊》（Nature Communications）。
生物大分子（如蛋白質）的結構與功能會隨著細胞生理狀態的變化不斷進行動態調整。原位結構生物學是在接近自然生理狀態下研究生物大分子結構和功能的科學，而原位冷凍電鏡技術（cryo-electron tomography, Cryo-ET）以其高分辨率和在接近生理條件下觀察樣品的特點，成為原位結構生物學研究中的關鍵手段。原位冷凍電鏡的技術流程涉及樣品制備、數據采集、電子斷層重建、顆粒挑選、粒子平均等多個步驟。生物大分子的顆粒挑選，即定位識別，是其中一個關鍵環節。受限于Cryo-ET圖像的極低信噪比和重建偽影等因素，成千上萬個目標顆粒的手動挑選極為耗時費力，現有自動挑選方法的應用受到人工標注量高、計算成本高和顆粒質量不理想等多方面限制。
DeepETPicker僅需要少量人工標注顆粒進行訓練即可實現快速準確三維顆粒自動挑選。為降低對人工標注量的需求，DeepETPicker優選簡化標簽來替代真實標簽，并采用了更高效的模型架構、更豐富的數據增強技術和重疊分區策略來提升小訓練集時模型的性能；為提高顆粒定位的速度，DeepETPicker采用圖形處理器（GPU）加速的平均池化-非極大值抑制（MP-NMS, mean pooling and non-maximum suppression）后處理操作，與現有的聚類后處理方法相比提升挑選速度數十倍。此外，為方便用戶使用，項目團隊推出了操作簡潔、界面友好的開源軟件（圖1）以輔助用戶完成圖像預處理、顆粒標注、模型訓練與推理等操作。
使用DeepETPicker從冷凍電子斷層掃描圖像中挑選顆粒的整體工作流程如圖2所示，包括訓練階段（圖2a-c）和推理階段（圖2e-g）。在訓練數據的準備階段，研究人員優選了弱標簽TBall-M來代替真實掩模以減輕人工標注負擔，并在模型架構設計方面，引入坐標卷積（coordinated convolution）和圖像金字塔（image pyramid inputs）到3D-ResUNet的分割架構中以提高定位的準確性。在模型推理階段，DeepETPicker采用重疊斷層圖分區策略（OT, overlap-tile），避免了由于邊緣體素分割精度不佳而產生的負面影響，進而結合MP-NMS操作加速了顆粒中心定位過程。
研究團隊將DeepETPicker與目前性能最優的顆粒挑選方法在多種冷凍電子斷層掃描數據集上進行了性能評估對比，采用六個定量指標全面評價顆粒挑選的質量（圖3）：精確率-召回率（Precision-Recall）、F1-分數（F1-score）、對數似然概率貢獻度（Log-likelihood Contribution）、最大值概率（maximum value probability）、RH分辨率（Rosenthal-Henderson resolution）、全局分辨率。結果表明，DeepETPicker在仿真與真實數據集上均可實現快速準確的顆粒挑選，其綜合性能明顯優于現有的其他方法，生物大分子結構重建達到的分辨率也達到采用專家人工挑選顆粒進行結構重建同樣的水平，這進一步體現了DeepETPicker在原位高分辨率結構解析中的實用價值。DeepETPicker將為采用原位冷凍電鏡技術的原位結構生物學研究提供有力的支持。
3月12日消息，中國科學院自動化研究所多模態人工智能系統實驗室楊戈團隊與中國科學院生物物理研究所蛋白質科學研究平臺生物成像中心孫飛團隊合作，以人工智能技術賦能原位結構生物學，提出了一種基于弱監督深度學習的快速準確顆粒挑選方法DeepETPicker。
據悉，相關研究以《DeepETPicker：基于弱監督深度學習的快速準確三維冷凍電子斷層掃描圖像粒子自動檢測器》(DeepETPicker: Fast and accurate 3D particle picking for cryo-electron tomography using weakly supervised deep learning)為題發表于《自然·通訊》（Nature Communications）。
生物大分子（如蛋白質）的結構與功能會隨著細胞生理狀態的變化不斷進行動態調整。原位結構生物學是在接近自然生理狀態下研究生物大分子結構和功能的科學，而原位冷凍電鏡技術（cryo-electron tomography, Cryo-ET）以其高分辨率和在接近生理條件下觀察樣品的特點，成為原位結構生物學研究中的關鍵手段。原位冷凍電鏡的技術流程涉及樣品制備、數據采集、電子斷層重建、顆粒挑選、粒子平均等多個步驟。生物大分子的顆粒挑選，即定位識別，是其中一個關鍵環節。受限于Cryo-ET圖像的極低信噪比和重建偽影等因素，成千上萬個目標顆粒的手動挑選極為耗時費力，現有自動挑選方法的應用受到人工標注量高、計算成本高和顆粒質量不理想等多方面限制。
DeepETPicker僅需要少量人工標注顆粒進行訓練即可實現快速準確三維顆粒自動挑選。為降低對人工標注量的需求，DeepETPicker優選簡化標簽來替代真實標簽，并采用了更高效的模型架構、更豐富的數據增強技術和重疊分區策略來提升小訓練集時模型的性能；為提高顆粒定位的速度，DeepETPicker采用圖形處理器（GPU）加速的平均池化-非極大值抑制（MP-NMS, mean pooling and non-maximum suppression）后處理操作，與現有的聚類后處理方法相比提升挑選速度數十倍。此外，為方便用戶使用，項目團隊推出了操作簡潔、界面友好的開源軟件（圖1）以輔助用戶完成圖像預處理、顆粒標注、模型訓練與推理等操作。
使用DeepETPicker從冷凍電子斷層掃描圖像中挑選顆粒的整體工作流程如圖2所示，包括訓練階段（圖2a-c）和推理階段（圖2e-g）。在訓練數據的準備階段，研究人員優選了弱標簽TBall-M來代替真實掩模以減輕人工標注負擔，并在模型架構設計方面，引入坐標卷積（coordinated convolution）和圖像金字塔（image pyramid inputs）到3D-ResUNet的分割架構中以提高定位的準確性。在模型推理階段，DeepETPicker采用重疊斷層圖分區策略（OT, overlap-tile），避免了由于邊緣體素分割精度不佳而產生的負面影響，進而結合MP-NMS操作加速了顆粒中心定位過程。
研究團隊將DeepETPicker與目前性能最優的顆粒挑選方法在多種冷凍電子斷層掃描數據集上進行了性能評估對比，采用六個定量指標全面評價顆粒挑選的質量（圖3）：精確率-召回率（Precision-Recall）、F1-分數（F1-score）、對數似然概率貢獻度（Log-likelihood Contribution）、最大值概率（maximum value probability）、RH分辨率（Rosenthal-Henderson resolution）、全局分辨率。結果表明，DeepETPicker在仿真與真實數據集上均可實現快速準確的顆粒挑選，其綜合性能明顯優于現有的其他方法，生物大分子結構重建達到的分辨率也達到采用專家人工挑選顆粒進行結構重建同樣的水平，這進一步體現了DeepETPicker在原位高分辨率結構解析中的實用價值。DeepETPicker將為采用原位冷凍電鏡技術的原位結構生物學研究提供有力的支持。
本文鏈接：人工智能提出基于弱監督學習的冷凍電鏡顆粒挑選新方法http://m.sq15.cn/show-2-3702-0.html
聲明：本網站為非營利性網站，本網頁內容由互聯網博主自發貢獻，不代表本站觀點，本站不承擔任何法律責任。天上不會到餡餅，請大家謹防詐騙！若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。
上一篇： 我國正研制4米級、5米級可重復使用火箭
下一篇： X平臺計劃轉型為視頻平臺