[發明專利]基于深度學習的冷凍電鏡三維密度圖后處理方法和裝置

有效

• 申請號: 202210750372.0
• 申請日: 2022-06-29
• 公開（公告）號: CN114841898B
• 公開（公告）日: 2022-09-23
• 發明（設計）人: 黃勝友;何佳鏵;李濤
• 申請（專利權）人: 華中科技大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/04;G06N3/08;G06T3/40;G06T5/50;G06V10/762;G06K9/62
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 尹麗媛

1.一種基于深度學習的冷凍電鏡三維密度圖后處理方法，其特征在于，包括以下步驟：

S1：構建包括多個實驗密度圖和關聯的PDB結構的訓練樣本集；所述S1包括：S11：從EMDB數據庫和PDB數據庫下載滿足預設分辨率的單粒子冷凍電鏡圖以及與之關聯的PDB結構作為初始樣本；S12：對所述單粒子冷凍電鏡圖及其關聯的PDB結構進行篩選和聚類，剔除不滿足要求的初始樣本；S13：將剩余的所述初始樣本中的單粒子冷凍電鏡圖作為所述實驗密度圖，將每個所述實驗密度圖分割成多個預設尺寸的實驗密度塊；

S2：將每個所述實驗密度圖和其對應的模擬密度圖進行分割，分別得到多個實驗密度塊和多個模擬密度塊；將各個所述實驗密度圖對應的多個實驗密度塊輸入基于UNet++網絡模型構建的深度學習網絡得到多個預測密度塊；利用目標損失函數獲取多個所述預測密度塊與對應多個所述模擬密度塊之間的差值，反向傳播所述差值從而訓練所述深度學習網絡；

其中，所述模擬密度圖為所述實驗密度圖對應的無噪聲的冷凍電鏡圖；所述目標損失函數為平滑L1損失函數和結構相似性損失函數之和；

S3：將當前冷凍電鏡密度圖切割為多個當前密度塊，將所有的所述當前密度塊輸入訓練好的深度學習網絡，將輸出的密度塊進行組裝得到最終密度圖。

2.如權利要求1所述的基于深度學習的冷凍電鏡三維密度圖后處理方法，其特征在于，所述S12包括：

S121：若一所述初始樣本中的單粒子冷凍電鏡圖具有非正交的軸或分辨率不滿足FSC-0.143黃金標準或與之關聯的PDB結構中僅包含骨架原子、包含未知的殘基或包含缺失的鏈，則剔除所述初始樣本；

S122：若一所述初始樣本中的PDB結構對應的CC_mask值低于預設值，則剔除所述初始樣本；

S123：使用貪心算法對剩余的所述初始樣本中單粒子冷凍電鏡圖進行聚類得到多個集合，確定出各個集合中的代表樣本，將所述代表樣本中的單粒子冷凍電鏡圖作為所述訓練樣本。

3.如權利要求2所述的基于深度學習的冷凍電鏡三維密度圖后處理方法，其特征在于，所述S123包括：

若一所述初始樣本中PDB結構內的任一條鏈與另一所述初始樣本中PDB結構內任一條鏈有大于30%的序列相似性，則將兩個初始樣本放置到一個集合；

將每個所述集合中相似樣本數量最多的初始樣本作為所述集合的所述代表樣本，然后移除該集合中其余初始樣本；

將所述代表樣本中的單粒子冷凍電鏡圖作為所述訓練樣本。

4.如權利要求1所述的基于深度學習的冷凍電鏡三維密度圖后處理方法，其特征在于，所述S2之前，所述方法還包括：

通過三次立方插值將各個所述實驗密度圖的網格間隔進行統一，負的密度值被截斷到零；

采用全局歸一化策略將每個所述實驗密度圖的密度值進行歸一化。

5.如權利要求1所述的基于深度學習的冷凍電鏡三維密度圖后處理方法，其特征在于，所述S2包括：

S21：將每個所述實驗密度圖和其對應的模擬密度圖進行分割，分別得到多個實驗密度塊和多個模擬密度塊；

S22：將各個所述實驗密度圖對應的多個實驗密度塊輸入基于UNet++網絡模型構建的深度學習網絡得到多個預測密度塊；所述UNet++網絡模型包括多個編碼器模塊和多個解碼器模塊；

S23：利用所述平滑L1損失函數計算預測密度塊和模擬密度塊之間的密度值的第一差值；利用所述結構相似性損失函數根據預測密度塊和模擬密度塊的對比度相似性和結構相似性進行比較得到第二差值；將所述第一差值和所述第二差值的和作為所述差值，反向傳播所述差值從而訓練所述深度學習網絡。

6.如權利要求5所述的基于深度學習的冷凍電鏡三維密度圖后處理方法，其特征在于，所述S21包括：

利用預設步長三維滑動窗口將所述實驗密度圖及其相應的模擬密度圖分成多對預設尺寸的密度塊，分別記為所述實驗密度塊和所述模擬密度塊；其中，所述模擬密度圖是從對應的實驗密度圖相關聯的PDB結構無噪聲地模擬得到的。