CryoSAMU: Enhancing 3D Cryo-EM Density Maps of Protein Structures at Intermediate Resolution with Structure-Aware Multimodal U-Nets

要約

中間分解能（4-8 {\ aa}）で極低温電子顕微鏡（CRYO-EM）3D密度マップを強化することは、タンパク質構造決定において重要です。
深い学習における最近の進歩により、実験的な極低音域密度マップを強化するための自動化されたアプローチが開発されました。
しかし、これらの方法は中間解像度マップに最適化されておらず、マップ密度の特徴だけに依存しています。
これに対処するために、構造認識マルチモーダルUネットを使用してタンパク質構造の3D cryo-em密度マップを強化し、キュレーションされた中間解像度密度マップで訓練されたタンパク質構造の3D cryo-em密度マップを強化するために設計された新しい方法であるcryosamuを提案します。
さまざまなメトリックにわたってcryosamuを包括的に評価し、最先端の方法と比較して競争力のあるパフォーマンスを実証します。
特に、Cryosamuは処理速度を大幅に高速化し、将来の実用的なアプリケーションの可能性を示しています。
私たちのコードは、https：//github.com/chenwei-zhang/cryosamuで入手できます。

要約(オリジナル)

Enhancing cryogenic electron microscopy (cryo-EM) 3D density maps at intermediate resolution (4-8 {\AA}) is crucial in protein structure determination. Recent advances in deep learning have led to the development of automated approaches for enhancing experimental cryo-EM density maps. Yet, these methods are not optimized for intermediate-resolution maps and rely on map density features alone. To address this, we propose CryoSAMU, a novel method designed to enhance 3D cryo-EM density maps of protein structures using structure-aware multimodal U-Nets and trained on curated intermediate-resolution density maps. We comprehensively evaluate CryoSAMU across various metrics and demonstrate its competitive performance compared to state-of-the-art methods. Notably, CryoSAMU achieves significantly faster processing speed, showing promise for future practical applications. Our code is available at https://github.com/chenwei-zhang/CryoSAMU.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google