EMReady2：利用Mamba算法结合局部质量感知深度学习技术，提升冷冻电镜（cryo-EM）和冷冻透射电镜（cryo-ET）图像的质量

《Nature Communications》：EMReady2: improvement of cryo-EM and cryo-ET maps by local quality-aware deep learning with Mamba

　　

摘要

冷冻电子显微镜（cryo-EM）已成为确定生物大分子结构的主要技术。然而，诸如噪声和对比度损失之类的图谱质量问题阻碍了图谱的准确解读。传统的基于深度学习的后处理方法虽然有所改进，但在处理图谱异质性方面仍存在局限性。在这里，我们介绍了EMReady2，这是我们对之前EMReady冷冻电镜图谱改进方法的扩展。EMReady2采用了一种基于Mamba的快速双分支UNet架构，能够同时捕捉局部和全局特征。此外，EMReady2还采用了一种基于局部分辨率的学习策略来应对图谱的局部质量异质性问题，并显著扩展了训练集。这些改进使得EMReady2能够应用于更广泛的冷冻电镜图谱，包括含有核酸的图谱、中等分辨率图谱以及冷冻电子断层扫描（cryo-ET）图谱。我们在136张分辨率介于2.0–10.0 ?之间的不同图谱上对EMReady2进行了评估，并将其与现有的图谱后处理方法进行了比较。结果表明，EMReady2在提高图谱质量和可解释性方面表现出领先的水平，同时大幅降低了计算成本。