Fold'EM框架绕过密度重建直接从冷冻电镜颗粒推断原子结构
论文AI 评分 75/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
Fold'EM是一种推理时框架，将蛋白质生成模型的先验与冷冻电镜单颗粒图像直接结合推断原子模型，跳过中间静电势图重建及后续模型拟合步骤。该框架在少量图像下即可恢复精确结构，支持已知朝向与从头推断朝向设定。面对异质数据集，它能从混合颗粒群中解析不同构象态，无需为各态单独重建与建模，为低样本结构测定及低占比构象表征提供新路径。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载传统流程痛点与先验利用不足
单颗粒冷冻电镜已成为生物分子结构测定的常用技术。传统计算管线需先组合大量颗粒图像重建静电势图，再将原子模型拟合至该图。密度重建样本复杂度高，需海量图像，导致测定成本高昂且通量低，异质样本尤甚。随着重建图分辨率下降，下游原子建模也愈发困难。蛋白质结构预测模型能提供强序列先验，实验引导方法可借此恢复与实验相符的结构，但在冷冻电镜中，此类先验通常仅在密度重建后的模型拟合阶段才被引入。
Fold'EM框架的推断机制与优势
Fold'EM作为推理时框架，把蛋白质生成模型的先验与冷冻电镜颗粒图像直接结合，从少量单颗粒图像直接确定原子模型。它绕过了中间密度重建与针对重建图的下游建模。在合成及实验数据集上，无论颗粒朝向已知，还是朝向与结构联合从头推断，该框架均能恢复精确原子结构。对于异质数据集，它可从混合颗粒群中解析不同构象态，免去了为各态单独重建密度图并构建原子模型的繁琐流程。
对低样本与异质表征的意义
Fold'EM的这些表现，为低样本情况下的结构测定开辟了新途径，同时也让直接从冷冻电镜颗粒表征低占比构象态成为可能。通过在推断早期直接引入生成模型先验并跳过密度图重建，该框架有效规避了传统管线对海量图像的依赖，以及低分辨率下建模困难的瓶颈，对处理样本稀缺或存在多种构象的生物分子测定具有实际应用价值。
为什么值得看
跳过传统高成本密度重建步骤，仅需少量图像即可解析异质构象，大幅提升冷冻电镜结构测定通量。
数据集
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。