我國科研人員提出冷凍電鏡顆粒挑選新方法

　　“人工智能+”賦能科學研究有新進展。記者12日從中國科學院自動化所獲悉，該所和中國科學院生物物理所等單位的科研人員以人工智能技術賦能原位結構生物學，提出了一種基于弱監督深度學習的快速準確顆粒挑選方法DeepETPicker。這種方法僅需要少量人工標注顆粒訓練，即可實現對生物大分子快速準確的定位識別。相關研究成果在線發表于《自然·通訊》雜志。

　　蛋白質等生物大分子的結構與功能，會隨著細胞生理狀態的變化不斷進行動態調整。原位結構生物學是在接近自然生理狀態下研究生物大分子結構和功能的科學，而原位冷凍電鏡是原位結構生物學研究中的關鍵手段，能夠在接近生理條件下高分辨率地觀察樣品的特點。

　　使用原位冷凍電鏡研究生物大分子涉及多個步驟，如樣品制備、數據采集、電子斷層重建、顆粒挑選、粒子平均等。在這些步驟中，生物大分子的顆粒挑選，即定位識別，是關鍵一步。

　　由于原位冷凍電鏡圖像信噪比極低，并存在重建偽影，因此圖像中會出現成千上萬個目標顆粒。“手動挑選這些目標顆粒極為耗時費力，現有自動挑選方法也受到多方面限制，比如人工標注量高、計算成本高和顆粒質量不理想等。因此，科研人員希望開發出更加快速準確的顆粒挑選方法。”論文共同通訊作者、中國科學院自動化所研究員楊戈介紹。

　　最新提出的快速準確顆粒挑選方法DeepETPicker通過優選簡化標簽來替代真實標簽，并采用了更高效的模型架構、更豐富的數據增強技術、重疊分區策略和平均池化-非極大值抑制技術來提升小訓練集時模型的性能，其挑選速度比現有的聚類后處理方法快數十倍。

　　同時，為方便用戶使用，研究團隊還推出操作簡潔、界面友好的開源軟件，以輔助用戶完成圖像預處理、顆粒標注、模型訓練與推理等操作。

　　研究團隊還將DeepETPicker與目前性能最優的顆粒挑選方法在多種冷凍電子斷層掃描數據集上進行性能評估對比。結果表明，DeepETPicker在仿真與真實數據集上均可實現快速準確的顆粒挑選，其綜合性能明顯優于現有的其他方法，生物大分子結構重建的分辨率也達到了專家人工挑選顆粒進行結構重建的水平。