DeepEMhancer: решение на основе глубокого обучения для постобработки объёмных данных крио-электронной микроскопии

Карты крио-ЭМ являются ценным источником информации для построения моделей структуры белков. Однако из-за потери контраста на высоких частотах их, как правило, необходимо подвергать постобработке для повышения интерпретируемости. Наиболее популярные подходы, основанные на глобальной коррекции B-фактора, имеют ограничения. Например, они не учитывают неоднородность локального качества карты, которую обычно демонстрируют реконструкции. Чтобы преодолеть эти проблемы, мы представляем DeepEMhancer — подход глубокого обучения, предназначенный для автоматической постобработки карт крио-ЭМ. Обученный на наборе пар экспериментальных карт и карт, заострённых с использованием соответствующих атомных моделей, DeepEMhancer научился выполнять постобработку экспериментальных карт, совмещая операции, подобные маскированию и заострению, за один шаг. DeepEMhancer был оценён на тестовой выборке из 20 различных экспериментальных карт и показал способность снижать уровень шума и получать более детализированные версии экспериментальных карт. Кроме того, мы продемонстрировали преимущества DeepEMhancer на структуре РНК-полимеразы SARS-CoV-2.