Editor Top
Principio y flujo de trabajo de IsoNet. a Flujo de trabajo del software IsoNet. b GUI de IsoNet. c Ilustración del paso Refinar: Primero, los subtomogramas se giran y luego se aplican con artefactos adicionales de cuña faltante a lo largo de otras direcciones (p. ej., eje YZ) para producir datos emparejados para el entrenamiento. En segundo lugar, los datos emparejados se utilizan para entrenar una red neuronal con arquitectura U-net. En tercer lugar, la red neuronal entrenada se aplica a los subtomogramas extraídos para producir subtomogramas corregidos de cuña faltante. La información recuperada en estos subtomogramas se agrega a los subtomogramas originales, produciendo nuevos conjuntos de datos para la próxima iteración. d, e Validación de IsoNet con subtomograma simulado de apoferritina (d) y ribosoma (e). Las vistas de superficie desde tres direcciones ortogonales de las reconstrucciones se muestran después de aumentar las iteraciones del procesamiento de IsoNet. Las flechas azules indican segmentos de dúplex de ARN. Crédito: Comunicaciones de la naturaleza (2022). DOI: 10.1038/s41467-022-33957-8
En un estudio publicado en Naturaleza Comunicación, un equipo dirigido por el Prof. Bi Guoqiang de la Universidad de Ciencia y Tecnología de China (USTC) y el Instituto de Tecnología Avanzada de Shenzhen, Academia de Ciencias de China (CAS), junto con colaboradores de los Estados Unidos, desarrollaron un paquete de software llamado IsoNet para la reconstrucción isotrópica en tomografía electrónica criogénica (cryoET). Su trabajo resolvió de manera efectiva el problema intrínseco de «falta de cuña» y los problemas de baja relación señal-ruido en cryoET.
La resolución anisotrópica provocada por el problema intrínseco de «falta de cuña» ha sido durante mucho tiempo un desafío cuando se utiliza CryoET para la visualización de estructuras celulares. Para resolver esto, el equipo desarrolló IsoNet, un paquete de software basado en una red neuronal artificial iterativa de aprendizaje profundo autosupervisada.
Utilizando los datos de reconstrucción tomográfica 3D de cryoET rotados como conjunto de entrenamiento, su algoritmo puede realizar la corrección de borde faltante en los datos de cryoET. Simultáneamente, se agrega un proceso de eliminación de ruido a IsoNet, lo que permite que la red neuronal artificial recupere la información faltante y elimine el ruido de los datos tomográficos 3D simultáneamente.
Al realizar reconstrucciones IsoNet en subtomogramas simulados de apoferritina y ribosomas, el equipo obtuvo resultados comparables a los modelos atómicos de baja resolución. También se realizaron reconstrucciones de los datos tomográficos en 3D de la cápside inmadura del VIH, el bastón paraflagelar y la sinapsis neuronal de las células cultivadas, todo lo cual arrojó resultados impresionantes.
Es de destacar que después de utilizar IsoNet para reconstruir el tomograma de la sinapsis neuronal, que normalmente contiene una gran cantidad de proteínas, orgánulos membranosos, citoesqueleto y otras estructuras complejas, la información tomográfica 3D de las vesículas, mitocondrias, microtúbulos, microfilamentos, células las membranas y los complejos proteicos se recuperaron bien.
Datos de reconstrucción de la sinapsis cryoET antes y después de ser procesados por IsoNet, y la representación de visualización 3D de la ultraestructura en las sinapsis después de ser procesada por IsoNet. Crédito: equipo del Prof. Bi
Después de su lanzamiento, IsoNet ha generado muchas discusiones, una de las cuales es importante sobre cómo IsoNet implementa la corrección de cuña faltante. Una deducción importante es que la red neuronal puede aprender las características de las estructuras biológicas como las proteínas en diferentes ángulos en el espacio 3D durante el entrenamiento, y complementar esta información con la dirección de la cuña faltante, similar al promedio 3D de la microscopía crioelectrónica de una sola partícula. .
Por lo tanto, al optimizar continuamente la estructura de la red neuronal y expandir el conjunto de entrenamiento, IsoNet podrá recuperar información de la estructura 3D de alta resolución de cada molécula de proteína en la célula, sentando así una base sólida para la visualización de la estructura 3D de alta resolución. y distribución de cada molécula de proteína in situ.
Según los expertos Dimitry Tegunov y otros expertos, el concepto de IsoNet sería la futura dirección de desarrollo de cryoET.
Yun-Tao Liu et al, Reconstrucción isotrópica para tomografía electrónica con aprendizaje profundo, Comunicaciones de la naturaleza (2022). DOI: 10.1038/s41467-022-33957-8
Proporcionado por la Universidad de Ciencia y Tecnología de China
Citación: Los investigadores desarrollan un paquete de software para la reconstrucción isotrópica para la tomografía electrónica con aprendizaje profundo (17 de noviembre de 2022) consultado el 17 de noviembre de 2022 en https://techxplore.com/news/2022-11-software-package-isotropic-reconstruction-electron.html
Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.
