通讯作者：Dari Kimanius，Sjors H. W. Scheres
通讯单位：英国剑桥MRC分子生物学实验室
获得迄今为止最清晰的核糖体图像，“我的主要贡献是数学方面的“，他的数学为结构生物学带来了一场革命，深受诺贝尔奖得主Venki Ramakrishnan认可，“他一个人呆了几年，然后就拿出了这个美妙的软件。”
论文速览
冷冻电镜（cryo-EM）技术在生物大分子结构测定中受到个体粒子图像对齐噪声的限制。较小的粒子信号弱，对齐误差导致其适用性受到尺寸限制。本研究探索了如何通过应用深度学习来改进图像对齐，利用关于生物大分子结构的先验知识，这些知识在数学上难以表达。
研究团队训练了一个去噪卷积神经网络，使用来自电子显微镜数据银行（EMDB）的半集重建对，并以此去噪器作为常用平滑先验的替代。这种称为Blush正则化的方法，与现有算法相比，尤其在信噪比较低的数据中，能够产生更好的重建效果。 通过重建一个分子量为40 kDa的蛋白质-核酸复合物，证明了去噪神经网络将扩大冷冻电镜结构测定对一系列生物大分子的适用性。
图文导读
总结展望
本研究通过Blush正则化方法，提高了冷冻电镜结构测定的分辨率，尤其是在处理信噪比较低的数据时。通过去噪卷积神经网络的应用，研究团队能够重建出之前难以分析的小分子量复合物的高分辨率结构。
本技术不仅提高了冷冻电镜在生物大分子结构分析中的适用性，还为未来在更小尺寸或更复杂结构的生物分子研究中提供了新的工具。研究结果表明，去噪神经网络在冷冻电镜结构测定中的应用前景广阔，有望进一步推动该领域的技术进步。
文献信息
标题：Data-driven regularization lowers the size barrier of cryo-EM structure determination
期刊：Nature Methods DOI：10.1038/s41592-024-02304-8
