3D Structure From 2D Microscopy Images Using Deep Learning.
3D Structure From 2D Microscopy Images Using Deep Learning.
复制标题
DOI：
10.3389/fbinf.2021.740342
复制
发表时间：
2021
期刊：
影响因子：
--
通讯作者：
Cox, Susan
中科院分区：
文献类型：
--
作者：
Blundell, Benjamin;Sieben, Christian;Manley, Suliana;Rosten, Ed;Ch'ng, Queelim;Cox, Susan
了解蛋白质复合体的结构对于确定其功能至关重要。然而，从显微图像中检索准确的3D结构是非常具有挑战性的，特别是在许多成像方式是二维的情况下。人工智能的最新进展已经应用于这个问题，主要是使用基于体素的方法来分析电子显微镜图像集。在这里，我们提出了一种深度学习解决方案，用于从大量的二维单分子定位显微图像中重建蛋白质复合体，该解决方案完全不受约束。我们的卷积神经网络与一个可微的呈现器相结合，预测姿势并得出单一的结构。训练结束后，丢弃网络，该方法的输出是一个符合数据集的结构模型。我们展示了我们的系统在两个蛋白质复合体上的性能：CEP152(包括中心粒近端环的一部分)和中心粒。
Understanding the structure of a protein complex is crucial in determining its function. However, retrieving accurate 3D structures from microscopy images is highly challenging, particularly as many imaging modalities are two-dimensional. Recent advances in Artificial Intelligence have been applied to this problem, primarily using voxel based approaches to analyse sets of electron microscopy images. Here we present a deep learning solution for reconstructing the protein complexes from a number of 2D single molecule localization microscopy images, with the solution being completely unconstrained. Our convolutional neural network coupled with a differentiable renderer predicts pose and derives a single structure. After training, the network is discarded, with the output of this method being a structural model which fits the data-set. We demonstrate the performance of our system on two protein complexes: CEP152 (which comprises part of the proximal toroid of the centriole) and centrioles.
登录
查看更多内容
DOI：
10.1111/febs.12078
发表时间：
2013-01
期刊：
The FEBS journal
影响因子：
--
作者：
Milne JL;Borgnia MJ;Bartesaghi A;Tran EE;Earl LA;Schauder DM;Lengyel J;Pierson J;Patwardhan A;Subramaniam S
通讯作者：
Subramaniam S
DOI：
10.1073/pnas.1313368111
发表时间：
2014-03-25
影响因子：
11.1
作者：
Holden, Seamus J.;Pengo, Thomas;Manley, Suliana
通讯作者：
Manley, Suliana
影响因子：
16.6
作者：
Kim, Tae-Sung;Zhang, Liang;Lee, Kyung S.
通讯作者：
Lee, Kyung S.
影响因子：
4
作者：
Badieirostami, Majid;Lew, Matthew D.;Moerner, W. E.
通讯作者：
Moerner, W. E.
DOI：
10.1073/pnas.1704908114
发表时间：
2017-08-29
影响因子：
11.1
作者：
Salas, Desiree;Le Gall, Antoine;Nollmann, Marcelo
通讯作者：
Nollmann, Marcelo