Des chercheurs développent un progiciel de reconstruction isotrope pour la tomographie électronique avec apprentissage en profondeur

Des chercheurs développent un progiciel de reconstruction isotrope pour la tomographie électronique avec apprentissage en profondeur

Nature Communications (2022). DOI : 10.1038/s41467-022-33957-8″ width= »800″ height= »530″>

Principe et workflow d’IsoNet. un Workflow du logiciel IsoNet. b Interface graphique d’IsoNet. c Illustration de l’étape d’affinage : tout d’abord, les sous-tomogrammes sont tournés, puis appliqués avec des artefacts de coins manquants supplémentaires dans d’autres directions (par exemple, l’axe YZ) pour produire des données appariées pour l’entraînement. Deuxièmement, les données appariées sont utilisées pour former un réseau de neurones avec une architecture U-net. Troisièmement, le réseau neuronal formé est appliqué aux sous-tomogrammes extraits pour produire des sous-tomogrammes corrigés du coin manquant. Les informations récupérées dans ces sous-tomogrammes sont ajoutées aux sous-tomogrammes originaux, produisant de nouveaux ensembles de données pour la prochaine itération. d, e Validation d’IsoNet avec un sous-tomogramme simulé de l’apoferritine (d) et du ribosome (e). Des vues de surface à partir de trois directions orthogonales des reconstructions sont affichées après des itérations croissantes de traitement IsoNet. Les flèches bleues indiquent les segments de duplex d’ARN. Le crédit: Communication Nature (2022). DOI : 10.1038/s41467-022-33957-8

Dans une étude publiée dans Communication Nature, une équipe dirigée par le professeur Bi Guoqiang de l’Université des sciences et technologies de Chine (USTC) et de l’Institut de technologie avancée de Shenzhen, de l’Académie chinoise des sciences (CAS), en collaboration avec des collaborateurs des États-Unis, a développé un progiciel nommé IsoNet pour la reconstruction isotrope en tomographie électronique cryogénique (cryoET). Leur travail a efficacement résolu le problème intrinsèque du « coin manquant » et les problèmes de faible rapport signal sur bruit dans cryoET.

La résolution anisotrope causée par le problème intrinsèque du « coin manquant » a longtemps été un défi lors de l’utilisation de CryoET pour la visualisation des structures cellulaires. Pour résoudre ce problème, l’équipe a développé IsoNet, un progiciel basé sur un réseau de neurones artificiels d’apprentissage profond auto-supervisé itératif.

En utilisant les données de reconstruction 3D tomographique cryoET tournées comme ensemble d’apprentissage, leur algorithme est capable d’effectuer une correction des bords manquants sur les données cryoET. Simultanément, un processus de débruitage est ajouté à l’IsoNet, permettant au réseau de neurones artificiels de récupérer les informations manquantes et de débruiter simultanément les données tomographiques 3D.

En effectuant des reconstructions IsoNet sur des sous-tomogrammes simulés d’apoferritine et de ribosome, l’équipe a obtenu des résultats comparables aux modèles atomiques à basse résolution. Des reconstructions ont également été effectuées pour les données tomographiques 3D de la capside immature du VIH, du bâtonnet paraflagellaire et de la synapse neuronale des cellules cultivées, qui ont toutes donné des résultats impressionnants.

Il est à noter qu’après avoir utilisé l’IsoNet pour reconstruire le tomogramme de la synapse neuronale, qui contient généralement un grand nombre de protéines, d’organites membraneuses, de cytosquelette et d’autres structures complexes, les informations tomographiques 3D des vésicules, mitochondries, microtubules, microfilaments, cellules les membranes et les complexes protéiques ont tous été bien récupérés.

Des chercheurs ont fait une percée dans la reconstruction pour la tomographie électronique cryogénique

Données de reconstruction de la synapse cryoET avant et après traitement par IsoNet, et le rendu de visualisation 3D de l’ultrastructure dans les synapses après traitement par IsoNet. Crédit : Equipe du Prof. Bi

Après sa sortie, IsoNet a soulevé de nombreuses discussions, dont une importante est la façon dont IsoNet implémente la correction du coin manquant. Une déduction majeure est que le réseau de neurones peut apprendre les caractéristiques des structures biologiques comme les protéines à différents angles dans l’espace 3D pendant la formation, et compléter ces informations dans la direction du coin manquant, similaire à la moyenne 3D de la microscopie cryo-électronique à une seule particule. .

Par conséquent, en optimisant continuellement la structure du réseau neuronal et en élargissant l’ensemble de formation, IsoNet sera en mesure de récupérer des informations de structure 3D haute résolution de chaque molécule de protéine dans la cellule, jetant ainsi une base solide pour la visualisation de la structure 3D haute résolution. et la distribution de chaque molécule de protéine in situ.

Selon les experts Dimitry Tegunov et d’autres experts, le concept d’IsoNet serait la future direction de développement de cryoET.

Fourni par l’Université des sciences et technologies de Chine

A lire également