3D Reconstruction of Protein Structures from Multi-view AFM Images using Neural Radiance Fields (NeRFs)

要約

3D タンパク質構造を予測するためのディープラーニングの最近の進歩は、特にタンパク質配列やクライオ電子顕微鏡 (Cryo-EM) 画像などの入力を活用する場合に有望であることが示されています。
しかし、これらの手法は、複数のタンパク質が関与するタンパク質複合体 (PC) の構造を予測する場合には不十分であることがよくあります。
私たちの研究では、原子間力顕微鏡 (AFM) と深層学習を組み合わせて PC の 3D 構造を予測することを研究しています。
AFM は、さまざまなランダムな向きの PC を表す高さマップを生成し、3D 構造を予測するためにニューラル ネットワークをトレーニングするための豊富な情報を提供します。
次に、事前トレーニングされた UpFusion モデル (新しいビューを合成するための条件付き拡散モデルを利用する) を使用して、3D 再構成用のインスタンス固有の NeRF モデルをトレーニングします。
UpFusion のパフォーマンスは、AFM 画像を使用した 3D タンパク質構造のゼロショット予測を通じて評価されます。
ただし、実際の AFM 画像の収集には時間がかかり、非現実的であるという課題があります。
これに対処するために、ボリューム レンダリング技術を介して「PDB」タンパク質ファイルをマルチビュー 2D 仮想 AFM 画像に変換する仮想 AFM イメージング プロセスを使用します。
私たちは、仮想および実際のマルチビュー AFM 画像の両方を使用して、UpFusion アーキテクチャを広範囲に検証します。
私たちの結果には、さまざまな数のビューとさまざまなビューのセットで予測された構造の比較が含まれます。
この新しいアプローチは、UpFusion ネットワークをさらに微調整することで、タンパク質複合体構造予測の精度を向上させる大きな可能性を秘めています。

要約(オリジナル)

Recent advancements in deep learning for predicting 3D protein structures have shown promise, particularly when leveraging inputs like protein sequences and Cryo-Electron microscopy (Cryo-EM) images. However, these techniques often fall short when predicting the structures of protein complexes (PCs), which involve multiple proteins. In our study, we investigate using atomic force microscopy (AFM) combined with deep learning to predict the 3D structures of PCs. AFM generates height maps that depict the PCs in various random orientations, providing a rich information for training a neural network to predict the 3D structures. We then employ the pre-trained UpFusion model (which utilizes a conditional diffusion model for synthesizing novel views) to train an instance-specific NeRF model for 3D reconstruction. The performance of UpFusion is evaluated through zero-shot predictions of 3D protein structures using AFM images. The challenge, however, lies in the time-intensive and impractical nature of collecting actual AFM images. To address this, we use a virtual AFM imaging process that transforms a `PDB’ protein file into multi-view 2D virtual AFM images via volume rendering techniques. We extensively validate the UpFusion architecture using both virtual and actual multi-view AFM images. Our results include a comparison of structures predicted with varying numbers of views and different sets of views. This novel approach holds significant potential for enhancing the accuracy of protein complex structure predictions with further fine-tuning of the UpFusion network.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google