中國科學技術大學、中國科學院深圳先進技術研究院雙聘教授畢國強團隊，與美國加州大學洛杉磯分校周正洪教授合作，開發了一套基于深度學習的cryoET數據處理算法和軟件IsoNet，有效解決了cryoET成像中的缺失錐效應和低信噪比問題，相關研究成果以Isotropic reconstrucTIon for electron tomography with deep learning為題于2022年10月29日發表在Nature communicaTIons.
研究人員搭建了一套迭代優化的自監督深度學習人工網絡算法，并以旋轉處理后的cryoET斷層三維重構數據自身為訓練集，實現了對cryoET斷層三維重構數據的缺失錐矯正。同時，在IsoNet算法的流程中，加入降噪過程，使得同一個人工神經網絡可以同時對斷層三維重構數據進行缺失信息補全和降噪處理。
圖1.基于深度學習進行cryoET成像數據缺失錐矯正與降噪的基本原理與流程 利用IsoNet算法對模擬缺失錐的鐵蛋白（apoferriTIn）與核糖體（ribosome）的三維結構分別進行處理，處理后的結果能夠與低分辨的原子模型相媲美。同時對真實的HIV病毒粒子（immatureHIVcapsid）、副鞭毛桿（the paraflagellar rod）以及培養神經細胞中突觸（neuronalsynapse）的斷層三維重構數據進行處理，均得到了非常好的效果。尤其值得關注的是，在利用IsoNet算法對神經突觸這種典型包含大量蛋白、膜性細胞器與細胞骨架等復雜結構的細胞水平厚樣品的斷層三維重構圖像進行處理后，突觸中囊泡、線粒體、微管、微絲、細胞膜以及蛋白復合物的三維結構信息均得到了很好的恢復。
圖2.利用IsoNet算法對神經突觸cryoET三維重構數據進行處理前后的效果，以及對IsoNet算法處理后神經突觸中超微結構基于真實電子密度的三維可視化渲染
IsoNet算法在預印本bioRxiv公布后，引起了領域內的廣泛關注與深入討論，其中一個重點是IsoNet算法是如何實現缺失錐矯正的？一種主要推測是，人工神經網絡在訓練過程中，能夠學習到蛋白質等生物結構在三維空間中不同角度的結構特征，并將這些信息補充到缺失錐方向，類似于單顆粒冷凍電鏡三維平均。
因此通過不斷優化人工神經網絡架構、擴大訓練樣本集等手段，IsoNet算法將能夠實現對細胞中每個蛋白分子的高分辨三維結構信息進行恢復，從而為真正實現可視化細胞原位每個蛋白分子的高分辨三維結構與組織分布奠定了基礎。正如領域內專家Dimitry Tegunov等人在推特上評價認為，IsoNet算法的思路將是cryoET技術的未來發展方向。 本論文的第一作者為中國科學技術大學博士生劉云濤（現美國加州大學洛杉磯分校博士后）和2018級本科生張恒（現北京大學研究生），通訊作者為畢國強教授和周正洪教授。中科院深圳先進技術研究院副研究員陶長路博士、美國加州大學洛杉磯分校博士生王輝也參與了本文的工作。該工作得到了科技部、國家自然科學基金委、中科院先導專項的資助。
更多信息可以來這里獲取==>>電子技術應用-AET<<
