In einer Studie veröffentlicht in Naturkommunikation, ein Team unter der Leitung von Prof. Bi Guoqiang von der University of Science and Technology of China (USTC) und dem Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences (CAS), entwickelte zusammen mit Mitarbeitern aus den Vereinigten Staaten ein Softwarepaket namens IsoNet für die isotrope Rekonstruktion in der Kryo-Elektronentomographie (KryoET). Ihre Arbeit löste effektiv das intrinsische „Missing-Wedge“-Problem und Probleme mit dem niedrigen Signal-Rausch-Verhältnis bei CryoET.
Die anisotrope Auflösung, die durch das intrinsische „Missing-Wedge“-Problem verursacht wird, war lange Zeit eine Herausforderung bei der Verwendung von CryoET für die Visualisierung von Zellstrukturen. Um dies zu lösen, entwickelte das Team IsoNet, ein Softwarepaket, das auf einem iterativen, selbstüberwachten, tief lernenden, künstlichen neuronalen Netzwerk basiert.
Unter Verwendung der gedrehten kryoET-tomografischen 3D-Rekonstruktionsdaten als Trainingssatz ist ihr Algorithmus in der Lage, eine Fehlkantenkorrektur an den CryoET-Daten durchzuführen. Gleichzeitig wird dem IsoNet ein Entrauschungsprozess hinzugefügt, der es dem künstlichen neuronalen Netzwerk ermöglicht, fehlende Informationen wiederherzustellen und tomografische 3D-Daten gleichzeitig zu entrauschen.
Durch die Durchführung von IsoNet-Rekonstruktionen an simulierten Subtomogrammen von Apoferritin und Ribosom erzielte das Team Ergebnisse, die mit Atommodellen mit niedriger Auflösung vergleichbar sind. Rekonstruktionen wurden auch für die tomographischen 3D-Daten des unreifen HIV-Kapsids, des paraflagellaren Stäbchens und der neuronalen Synapse von kultivierten Zellen durchgeführt, die alle beeindruckende Ergebnisse lieferten.
Es ist bemerkenswert, dass nach der Verwendung des IsoNet zur Rekonstruktion des Tomogramms der neuronalen Synapse, die typischerweise eine große Anzahl von Proteinen, Membranorganellen, Zytoskelett und anderen komplexen Strukturen enthält, die tomographischen 3D-Informationen der Vesikel, Mitochondrien, Mikrotubuli, Mikrofilamente, Zelle Membranen und Proteinkomplexe wurden alle gut wiederhergestellt.
Nach seiner Veröffentlichung hat IsoNet viele Diskussionen ausgelöst, von denen eine wichtig ist, wie IsoNet die Korrektur fehlender Keile implementiert. Eine wichtige Schlussfolgerung ist, dass das neuronale Netzwerk während des Trainings die Merkmale biologischer Strukturen wie Proteine in verschiedenen Winkeln im 3D-Raum lernen und diese Informationen um die Richtung des fehlenden Keils ergänzen kann, ähnlich wie bei der 3D-Mittelung der Einzelpartikel-Kryoelektronenmikroskopie .
Durch die kontinuierliche Optimierung der neuronalen Netzwerkstruktur und die Erweiterung des Trainingssets wird IsoNet daher in der Lage sein, hochauflösende 3D-Strukturinformationen jedes Proteinmoleküls in der Zelle wiederherzustellen und somit eine solide Grundlage für die Visualisierung der hochauflösenden 3D-Struktur zu legen und Verteilung jedes Proteinmoleküls in situ.
Laut Experten Dimitry Tegunov und anderen Experten wäre das Konzept von IsoNet die zukünftige Entwicklungsrichtung von CryoET.
Yun-Tao Liu et al, Isotrope Rekonstruktion für die Elektronentomographie mit Deep Learning, Naturkommunikation (2022). DOI: 10.1038/s41467-022-33957-8
Bereitgestellt von der University of Science and Technology of China
Zitat: Forscher entwickeln Softwarepaket für isotrope Rekonstruktion für Elektronentomographie mit Deep Learning (2022, 17. November), abgerufen am 18. November 2022 von https://techxplore.com/news/2022-11-software-package-isotrope-reconstruction-electron.html
Dieses Dokument ist urheberrechtlich geschützt. Abgesehen von einem fairen Handel zum Zwecke des privaten Studiums oder der Forschung darf kein Teil ohne schriftliche Genehmigung reproduziert werden. Der Inhalt dient nur zu Informationszwecken.
