[發明專利]基于深度學習冷凍電鏡三維密度圖的局部質量評估方法

在審

• 申請號: 202310051224.4
• 申請日: 2023-02-02
• 公開（公告）號: CN116012537A
• 公開（公告）日: 2023-04-25
• 發明（設計）人: 馮明峰;沈紅斌
• 申請（專利權）人: 上海交通大學
• 主分類號: G06T17/00
• 分類號: G06T17/00;G06T7/30;G06V10/764;G06V10/774;G06N3/0464;G06N3/08
• 代理公司: 上海交達專利事務所 31201
• 代理人: 王毓理;王錫麟

1.一種基于深度學習的三維密度圖局部質量評估的方法，其特征在于，通過構建基于Vision?Transformer為骨干網絡的DeepQs深度學習模型，并以重采樣得到的冷凍電鏡三維密度圖的局部密度圖為輸入，以對應的原子結構與相匹配的重采樣后的三維密度圖的之間的Q-score為標簽進行訓練，在在線階段對待測冷凍電鏡重構出的生物大分子模型的三維密度圖進行重采樣后，通過掩膜獲取感興趣區域后輸入訓練后的DeepQs深度學習模型進行局部質量評估并得到質量評估圖；

所述的Q-score是指：在已配準的原子結構中，計算原子結構的每一個原子周圍點的在三維密度圖上映射值與參考類高斯函數之間的相關性，具體為：對于圖中任一原子的周圍密度分布符合的高斯分布，其中：A＝avg_M+10σ_M，B＝avg_M-1σ_M，M為三維密度圖，avg_M為三維密度圖的平均密度；在輸入范圍內以步距均勻采樣得到輸出的各個值組成向量u；在三維密度圖內距離該原子中心坐標歐式距離的位置插值采樣密度值，獲得向量v；分別計算向量u和向量v的均值u_mean與v_mean，得到該原子的Q-score為

2.根據權利要求1所述的基于深度學習的三維密度圖局部質量評估的方法，其特征是，所述的冷凍電鏡三維密度圖是指：一個大小為w×h×d的三維矩陣，矩陣中的每一個元素即體素，每一個體素的坐標(x,y,z)是其在空間中的相對坐標，每個體素的數值為的物理意義為其所在坐標的電子密度；

所述的重采樣是指：通過軟件將生物大分子三維密度圖的體素之間的最小間距統一調整為以保證模型輸入的密度圖在物理意義上的一致。

3.根據權利要求1所述的基于深度學習的三維密度圖局部質量評估的方法，其特征是，所述的DeepQs深度學習模型包括：三維矩陣降維模塊、Transformer編碼器模塊以及輸出模塊，其中：為適配密度圖的三維矩陣輸入，三維矩陣降維模塊將輸入的三維矩陣先均分為多個3×3×3的三維矩陣小塊，利用三維卷積技術，結合同樣3×3×3的參數矩陣W，兩者進行卷積，將每個三維小塊映射到1維空間中，根據使用的參數矩陣W的個數n＝128，最后可以把3×3×3的矩陣小塊映射成1×128的向量，最后共27個小塊，獲得數據維度為27×128；基于多頭自注意力機制與多層感知結合的Transformer編碼器模塊由殘差鏈接構成的區塊組成，通過獲取各個矩陣小塊之間的聯系，幫助網絡進行學習；輸出單元將Transformer編碼器模塊的輸出通過多層感知機以及tanh函數后，得到輸出結果。

4.根據權利要求1所述的基于深度學習的三維密度圖局部質量評估的方法，其特征是，所述的局部密度圖是指：相對整個生物大分子的三維密度圖，計算每個采樣點的質量評估分數，無需全局的信息，只需裁取周圍部分的區域，該區域即局部密度圖。

5.根據權利要求1所述的基于深度學習的三維密度圖局部質量評估的方法，其特征是，所述的采樣點為已配準的原子結構模型中的原子坐標且三維密度圖與原子結構模型使用同一個坐標系，以采樣點為中心，向四周擴張，共9×9×9的立方體區域為采樣的局部密度圖；若擴張區域超出范圍，采取補0的操作，補成完整的9×9×9的立方體。

6.根據權利要求1所述的基于深度學習的三維密度圖局部質量評估的方法，其特征是，所述的掩膜是指一個與輸入三維密度圖有同樣的尺寸，僅由0與1構成的三維矩陣；通過掩膜可以將背景噪聲以及負值區域與感興趣的大分子主體區域分離；掩膜的構建通常通過設定闕值來確定，將高于闕值的區域值置1，低于闕值的區域設置為0。

7.根據權利要求1所述的基于深度學習的三維密度圖局部質量評估的方法，其特征是，所述的質量評估分數是指：通過DeepQs輸出后原三維密度圖中掩膜為值1的體素會得到范圍在-1～1的代表局部區域的可分解性的評估分數，將所有DeepQs分數加和取平均之后得到的分數為對整體三維密度圖的整體質量評估，越接近1。