冷冻电镜中分辨率密度图下氨基酸侧链识别新方法——EMSequenceFinder的突破与应用

为解决3??以下分辨率冷冻电镜(cryo-EM)图中蛋白质原子模型构建难题，研究人员开发了基于贝叶斯评分函数的EMSequenceFinder方法。该方法通过卷积神经网络分析5.56百万个氨基酸残基密度特征，在58,044个α螺旋/β折叠测试中实现77.8%准确率，在4-6??图谱中58%的准确率显著优于findMysequence等现有工具，为SARS-CoV-2非结构蛋白等整合建模提供新方案。

　　

在冷冻电子显微镜(cryo-EM)领域，构建分辨率低于3??的蛋白质原子结构模型始终是重大挑战。为解决这一难题，研究者创新性地开发出EMSequenceFinder算法——该方法能巧妙地将氨基酸序列分配到冷冻电镜图中追踪到的骨架片段上。

这项技术的核心在于三重判断标准：通过训练卷积神经网络分析约556万从3-10??分辨率冷冻电镜图中提取的氨基酸残基密度特征；结合图谱分辨率参数；同时考量二级结构倾向性。在58,044个独立测试的α螺旋和β折叠片段中，该系统以77.8%的准确率锁定正确序列，表现远超当前主流工具：在4-6??分辨率测试中，其58%的准确率显著优于findMysequence(45%)、ModelAngelo(27%)和Phenix的sequence_from_map(12.9%)。

研究团队还将该方法成功应用于SARS-CoV-2非结构蛋白2的序列匹配，在3.7-7.0??分辨率的八组冷冻电镜图中完成验证。作为整合建模平台(IMP)的开源组件，这项技术为结合冷冻电镜图谱、蛋白质复合物组分模型和化学交联数据的综合结构解析提供了全新解决方案。