跳到主要内容
返回时间线
bioRxiv来源发表:

冷冻电镜里认不出的蛋白,现在能一次排出候选名单:完整密度图直接搜,径向辐条18个里11个进前15

核心概要

冷冻电镜与冷冻电镜断层扫描常得到分子身份未知的密度图,此前在中等分辨率下缺少侧链特征,难以从成千上万个候选结构中挑出正确者。CryoAssign把CoLoRes刚体对接与学习排序结合,直接搜索未分割的完整密度图,并用多个反映图与模型吻合程度的特征对候选重新排序。在14张留出基准图上,它的排序优于原始CoLoRes互相关分数和任何单一特征;在径向辐条复合物中,18个已知蛋白有11个进入前15名,而原始分数只排进6个。

Source-provided article image: A learning-to-rank framework for large-scale identification of unknown proteins from cryo-EM and cryo-ET maps
Fig. 1 · bioRxiv · 第 20 页

深度剖析

未知蛋白的鉴定从依赖侧链密度的高分辨率场景,扩展到中等分辨率的完整密度图。 此前的深度学习建模工具通常需要优于约4 Å的分辨率,侧链密度才足够清晰;中等分辨率图缺少可靠侧链信息,候选又多达数千个。 在14张至少含一个人工确认真阳性候选的留出基准图上,学习排序模型在逐图平均精度、Recall@P和NDCG上均优于原始CoLoRes分数和各个单独工程特征。

流程把候选结构逐一刚体对接到目标密度图,再用排序模型汇总多种吻合信号。 CoLoRes原本按相关分数给出每个候选的最佳姿态,但该分数受蛋白大小、重叠体积和图像分辨率影响,无法可靠比较不同候选。 特征包括严格重叠区与局部扩展重叠区的掩膜皮尔逊相关、最大连通重叠比例、重叠碎片化惩罚、被解释的图体素数和候选原子数,由XGBoost排序模型在按图分组的训练数据上整合。

在真实未归属数据上,流程给出可验证的候选并缩小范围。 此前这些密度图没有分子身份,只能确认样品来自大肠杆菌或人源细胞。 大肠杆菌4.2 Å图把DnaK排在首位,3.9 Å六聚体图把ArnA排在首位且只有它覆盖完整原体密度;人源细胞外囊泡4.5 Å图的前五名均属α2-巨球蛋白超家族,四聚体对称性把范围缩到两个候选。

启示与展望

该流程面向冷冻电镜单颗粒重建和冷冻电镜断层扫描子断层平均图,输入为完整密度图,不需要预先分割,候选来自AlphaFold2预测模型或PDB实验结构。演示范围包括大肠杆菌重组样品中的DnaK与ArnA、人源细胞外囊泡的α2-巨球蛋白家族候选、衣藻径向辐条复合物以及若干断层扫描平均图。计算成本随目标图大小、搜索分辨率和候选数量增长,例如以15 Å默认分辨率搜索人源AlphaFold2数据库的40,596个结构域对约1 MDa密度图,在288个CPU核心上约需48小时。

排序模型依赖CoLoRes初始刚体放置的质量,放置不佳时正确候选可能排名偏低,例如EMD-22475和EMD-56117分别有四个和两个正确候选远低于预期位置。在受控低通滤波中,约4–12 Å截止下多数真命中保持高排名,超过约15 Å后排序普遍变得不可靠;但EMD-65039与EMD-12661表现相反,说明标称分辨率本身并不决定性能,局部图质量、密度连续性、锐化和整体形状的保留同样有影响。对于折叠高度相似的蛋白,刚体对接在有效对接分辨率下难以区分,例如肌动蛋白与肌动蛋白样蛋白、IMPDH与GMPR家族会一起排在前面,需要生化或上下文信息进一步区分。