اصل و گردش کار ایزونت گردش کار نرم افزار IsoNet. b رابط کاربری گرافیکی IsoNet. c تصویر مرحله پالایش: ابتدا سابتوموگرام‌ها چرخانده می‌شوند و سپس با استفاده از آرتیفکت‌های گمشده اضافی در امتداد جهت‌های دیگر (مثلا محور YZ) برای تولید داده‌های جفتی برای آموزش اعمال می‌شوند. دوم، داده های جفت شده برای آموزش یک شبکه عصبی با معماری U-net استفاده می شود. سوم، شبکه عصبی آموزش‌دیده به سابتوموگرام‌های استخراج‌شده برای تولید سابتوموگرام‌های اصلاح‌شده گوه گمشده اعمال می‌شود. اطلاعات بازیابی شده در این سابتوموگرام ها به سابتوموگرام های اصلی اضافه می شود و مجموعه داده های جدیدی را برای تکرار بعدی تولید می کند. d، e اعتبارسنجی IsoNet با سابتوموگرام شبیه سازی شده آپوفریتین (d) و ریبوزوم (e). نماهای سطحی از سه جهت متعامد بازسازی ها پس از افزایش تکرارهای پردازش IsoNet نشان داده می شود. فلش های آبی بخش هایی از دوبلکس های RNA را نشان می دهد. اعتبار: ارتباطات طبیعت (2022). DOI: 10.1038/s41467-022-33957-8
در مطالعه ای که در ارتباط طبیعتتیمی به سرپرستی پروفسور Bi Guoqiang از دانشگاه علم و فناوری چین (USTC) و موسسه فناوری پیشرفته شنژن، آکادمی علوم چین (CAS)، همراه با همکارانی از ایالات متحده، بسته نرم افزاری به نام IsoNet را توسعه دادند. برای بازسازی ایزوتروپیک در توموگرافی الکترونی برودتی (cryoET). کار آنها به طور موثر مشکل ذاتی “گوه گمشده” و مشکلات نسبت سیگنال به نویز کم را در cryoET حل کرد.
وضوح ناهمسانگرد ناشی از مشکل ذاتی “گوه گمشده” برای مدت طولانی در هنگام استفاده از CryoET برای تجسم ساختارهای سلولی یک چالش بوده است. برای حل این مشکل، تیم IsoNet، یک بسته نرم افزاری مبتنی بر شبکه عصبی مصنوعی یادگیری عمیق تکراری خود نظارت شده را توسعه داد.
با استفاده از داده‌های بازسازی سه‌بعدی توموگرافی cryoET چرخشی به‌عنوان مجموعه آموزشی، الگوریتم آنها قادر به انجام اصلاح لبه‌های گمشده بر روی داده‌های cryoET است. به طور همزمان، یک فرآیند حذف نویز به IsoNet اضافه می‌شود که به شبکه عصبی مصنوعی اجازه می‌دهد اطلاعات از دست رفته را بازیابی کند و داده‌های سه بعدی توموگرافی را به طور همزمان حذف کند.
با انجام بازسازی‌های IsoNet بر روی توموگرام‌های شبیه‌سازی شده آپوفریتین و ریبوزوم، این تیم به نتایج قابل مقایسه با مدل‌های اتمی با وضوح پایین دست یافتند. همچنین بازسازی‌هایی برای داده‌های سه بعدی توموگرافی کپسید HIV نابالغ، میله پارافلاژلار و سیناپس عصبی سلول‌های کشت‌شده انجام شد که همگی نتایج چشم‌گیری داشت.
قابل ذکر است که پس از استفاده از IsoNet برای بازسازی توموگرام سیناپس عصبی که به طور معمول حاوی تعداد زیادی پروتئین، اندامک های غشایی، اسکلت سلولی و سایر ساختارهای پیچیده است، اطلاعات توموگرافی سه بعدی وزیکول ها، میتوکندری ها، میکروتوبول ها، میکروفیلامان ها، سلول غشاها و مجتمع های پروتئینی همه به خوبی بازیابی شدند.
داده‌های بازسازی cryoET سیناپس قبل و بعد از پردازش توسط IsoNet، و ارائه تجسم سه‌بعدی فراساختار در سیناپس‌ها پس از پردازش توسط IsoNet. اعتبار: تیم پروفسور بی
پس از انتشار، IsoNet بحث های زیادی را مطرح کرده است، که یکی از مهم ترین آنها نحوه اجرای تصحیح گوه گم شده توسط IsoNet است. نتیجه اصلی این است که شبکه عصبی می‌تواند ویژگی‌های ساختارهای بیولوژیکی مانند پروتئین‌ها را در زوایای مختلف در فضای سه‌بعدی در طول تمرین بیاموزد و این اطلاعات را در جهت گوه گمشده تکمیل کند، مشابه میانگین‌گیری سه بعدی میکروسکوپ الکترونی کرایو تک ذره. .
بنابراین، با بهینه سازی مستمر ساختار شبکه عصبی و گسترش مجموعه آموزشی، IsoNet قادر خواهد بود اطلاعات ساختار سه بعدی با وضوح بالا را از هر مولکول پروتئین در سلول بازیابی کند و در نتیجه پایه محکمی برای تجسم ساختار سه بعدی با وضوح بالا ایجاد کند. و توزیع هر مولکول پروتئین در محل.
به گفته کارشناسان Dimitry Tegunov و سایر کارشناسان، مفهوم IsoNet مسیر توسعه آینده cryoET خواهد بود.
یون تائو لیو و همکاران، بازسازی ایزوتروپیک برای توموگرافی الکترونی با یادگیری عمیق، ارتباطات طبیعت (2022). DOI: 10.1038/s41467-022-33957-8
ارائه شده توسط دانشگاه علم و صنعت چین
نقل قول: محققان بسته نرم افزاری برای بازسازی همسانگرد برای توموگرافی الکترونی با یادگیری عمیق (2022، 17 نوامبر) بازیابی شده در 17 نوامبر 2022 از
این برگه یا سند یا نوشته تحت پوشش قانون کپی رایت است. به غیر از هرگونه معامله منصفانه به منظور مطالعه یا تحقیق خصوصی، هیچ بخشی بدون اجازه کتبی قابل تکثیر نیست. محتوای مذکور فقط به هدف اطلاع رسانی ایجاد شده است.