Криоэлектронная микроскопия с использованием графовых нейронных сетей

Мы представляем метод, учитывающий геометрию, для реконструкции гетерогенных образцов в криоэлектронной микроскопии (cryo-EM) с использованием одночастичного анализа, который позволяет предсказывать конформации атомарного скелета белка. Для включения априорных знаний о структуре белка, скелет представлен в виде графа, и используется автодекодер на основе графовой нейронной сети (GNN). Этот автодекодер сопоставляет скрытые переменные, полученные для каждого изображения, с трехмерными смещениями эталонной конформации.

Сочетание данных и геометрической регуляризации

Целевая функция объединяет член, учитывающий расхождение между данными, основанный на дифференцируемой модели переноса cryo-EM, с геометрической регуляризацией. Также обеспечивается поддержка неизвестных ориентаций с помощью оценки положения на основе подъема эллипсоидальной поддержки (Ellipsoidal Support Lifting – ESL).

Преимущества GNN по сравнению с MLP

На синтетических наборах данных, полученных на основе траекторий молекулярной динамики, предложенная GNN демонстрирует более высокую точность по сравнению с многослойным перцептроном (MLP) сопоставимого размера. Это подчеркивает преимущества использования индуктивного смещения, основанного на геометрии.