用于冷冻电子断层扫描中对比度增强与伪影减少的深度学习方法：现有技术状况的系统分析及改进建议

《Acta Crystallographica Section D Structural Biology》：Deep-learning methods for contrast enhancement and artifact reduction in cryo-electron tomography: a systematic analysis of the state of the art and proposed improvements

　　

摘要

冷冻电子断层扫描技术已成为可视化大分子复合物在原位结构并实现亚纳米级分辨率解析的首选方法[Tegunov等人，2021年，《自然·方法》，18卷，186–193页]。尽管检测器技术、显微镜稳定性以及载物台精度方面的进步提升了数据质量，但由于数据采集过程中样本倾斜带来的实验限制，导致傅里叶空间中存在缺失的楔形区域，使得断层图的信号噪声比较低且存在重建伪影，因此对其分析和解读仍然具有挑战性。近期，有研究提出基于自监督的深度学习方法，用于提升重建断层图的对比度并减少分辨率各向异性。在此，我们评估了几种最先进的深度学习方法，这些方法旨在提高冷冻电子断层扫描重建结果的可解释性，重点考察了它们在模板匹配、子断层图平均化以及图像分割等后续任务中的表现。我们提出了新的训练架构以及基于傅里叶壳相关性的损失函数，其性能优于传统的基于L₁/L₂损失的U-Net模型。我们在四个不同的实验数据集上展示了这些方法的效果：纯化的80S核糖体、原位的莱茵衣藻、未成熟的HIV-1病毒样颗粒以及INS-1E细胞。