使用神经辐射场 (NeRFs) 从多视角原子力显微镜图像中重建蛋白质结构的 3D 方法
内容提要
本文介绍了一种新的蛋白质三维结构估计框架，结合深度学习和机器学习技术，从冷冻电镜图像中高效重建蛋白质结构。研究提出了多种方法，如cryoDRGN、图形神经网络和FFF，显著提高了结构预测的准确性，并解决了现有方法的不足。未来需进一步整合冷冻电镜数据与其他数据源，以推动该领域的发展。
延伸解读
从冷冻电镜到原子模型：技术演进脉络
文章梳理了2015年至2024年间蛋白质结构重建的技术发展，从早期随机优化实现单工作站快速估算，到cryoDRGN实现无标注2D图像直接重建3D结构，再到GNN结合序列数据改进自动建模，以及CryoChains、FFF、SAO等方法的迭代。这些进展显示该领域正从依赖大量计算资源向更高效、更自动化的方向演进，同时逐步整合深度学习与物理先验。
AI预测结构带来的新挑战与应对
文章指出，当使用AlphaFold2等AI工具预测的蛋白质结构时，现有性质预测方法的准确性会明显下降，作者将其归因于结构表示学习中的结构嵌入偏差。为此提出的SAO框架通过嵌入对齐优化，在预测结构和实验结构上均提升了多种模型的预测效果。这提示读者，AI生成的结构虽便捷，但直接用于下游任务时需注意潜在偏差，对齐优化是可行思路。
多源数据融合与物理模型结合的趋势
综述部分强调，未来需要开发更先进的深度学习模型，将冷冻电镜数据与蛋白质序列、AlphaFold预测结构等补充数据源有效结合。同时，2024年的研究展示了结合物理模型与生成模型的多功能框架，能将不同生物物理测量转化为三维原子模型，并在反问题上优于后验采样基线。这表明单一数据源已不足，跨模态融合与物理约束正成为提升重建精度的重要方向。
Q&A
什么是cryoDRGN方法，它如何工作？
cryoDRGN方法通过深度神经网络在傅里叶空间编码结构，从无标注的2D冷冻电镜图像中训练出3D蛋白质复合物的重建。
图形神经网络（GNN）在蛋白质结构重建中有什么优势？
GNN结合冷冻电子显微镜数据和氨基酸序列数据，改进了蛋白质原子模型的自动构建，且在分辨率优于3.5 Å的图像中表现优于现有技术。
FFF方法是如何构建完整的蛋白质结构的？
FFF方法结合片段识别和结构预测，通过多级识别网络捕获三维冷冻电镜地图的结构特征，生成蛋白质结构片段并构建完整模型。
蛋白质结构嵌入对齐优化框架（SAO）解决了什么问题？
SAO框架解决了现有方法在预测准确性上的下降问题，改进了蛋白质性质预测的准确性。
未来蛋白质结构重建领域的发展方向是什么？
未来需要整合冷冻电镜数据与其他数据源，如蛋白质序列和AlphaFold预测结构，以推动该领域的发展。
无监督对比学习在蛋白质结构表示中有什么应用？
无监督对比学习用于学习有意义的蛋白质结构表示，能够解决蛋白质功能预测、结构相似性预测等多种任务。
