Nature子刊，使用3D transformer和HMM对冷冻电镜密度图进行从头原子蛋白结构建模
内容提要
密苏里大学研究人员开发了Cryo2Struct，一种全自动冷冻电子显微镜从头结构建模方法。该方法利用3D transformer和HMM识别原子和氨基酸类型，并生成准确的蛋白质结构模型。Cryo2Struct表现出稳定性和准确性，解决了冷冻电子显微镜图建模原子蛋白质结构的挑战。未来的研究方向也被提出。
延伸解读
Cryo2Struct的技术核心：3D Transformer与HMM
Cryo2Struct的核心创新在于结合了3D Transformer和隐马尔可夫模型（HMM）。3D Transformer用于从冷冻电镜密度图中识别原子和氨基酸类型，而HMM则负责将预测的原子连接成蛋白质骨架，并利用定制的维特比算法将蛋白质序列与预测结果对齐。这种组合使得Cryo2Struct能够全自动地从密度图生成3D原子结构，无需模板，解决了传统方法在缺乏同源结构时的建模难题。
性能优势：相比Phenix更准确、更稳定
在评估中，Cryo2Struct在Cα原子识别和蛋白质序列对齐方面优于广泛使用的Phenix方法，具体体现在Cα召回率、F1分数和TM分数等指标上。此外，Cryo2Struct对密度图分辨率和蛋白质结构尺寸的变化表现出较强的稳定性，能够生成更准确、更完整的蛋白质结构模型。这表明Cryo2Struct在冷冻电镜结构建模领域具有显著优势。
当前局限：大型蛋白质结构建模仍具挑战
尽管Cryo2Struct在局部区域能实现高精度建模，但构建覆盖大型蛋白质结构大部分区域的高精度模型仍面临挑战，表现为较低的全球TM分数和Cα序列匹配分数。这主要是因为需要正确识别所有Cα原子、将它们链接成肽链并分配正确的氨基酸类型，而冷冻电镜密度图中的缺失或噪声值使得这一过程异常困难。因此，Cryo2Struct在大型蛋白质复合物建模方面仍有提升空间。
未来方向：整合多源信息提升建模能力
为了提升从冷冻电镜密度图构建的结构模型的TM分数和Cα序列匹配分数，未来的研究方向包括开发更先进的AI算法、结合蛋白质序列信息和AlphaFold预测结构来补充缺失信息、利用蛋白质复合体的对称性以更准确地预测Cα原子和氨基酸类型，以及生成更高精度和完整度的冷冻电镜密度图。随着高质量数据的积累，Cryo2Struct有望通过整合多种信息源进一步提升建模能力。
Q&A
Cryo2Struct是什么？
Cryo2Struct是一种全自动冷冻电子显微镜从头结构建模方法，利用3D transformer和隐马尔可夫模型生成蛋白质结构模型。
Cryo2Struct与Phenix相比有什么优势？
Cryo2Struct生成的蛋白质结构模型比Phenix更准确、更完整，并在不同分辨率和结构尺寸下表现出更强的稳定性。
Cryo2Struct如何识别原子和氨基酸类型？
Cryo2Struct使用基于Transformer的深度学习模型和注意力机制来识别冷冻电子显微镜密度图中的原子及其氨基酸类型。
Cryo2Struct在建模过程中面临哪些挑战？
Cryo2Struct在构建大型蛋白质结构模型时面临挑战，特别是在准确识别Cα原子和将其链接成肽链时。
未来Cryo2Struct的研究方向是什么？
未来的研究方向包括开发更先进的AI算法、结合蛋白质序列信息、利用对称性和生成更高精度的密度图。
Cryo2Struct的研究成果在哪里发表？
Cryo2Struct的研究成果发表于2024年6月29日的《Nature Communications》。
