Key points are not available for this paper at this time.
بينما أتاح التقدم في الكريو EM الجزيئي الفردي تحديد الهيكل المعقدات الجزيئية بدقة ذرية، تظل انحياز اتجاه الجسيمات (ما يسمى "مشكلة الاتجاه المفضل") تعقيدًا لمعظم العينات. اعتمدت الحلول الحالية على استراتيجيات بيولوجية وكيميائية تطبيقية على العينة وغالبًا ما تكون معقدة وصعبة. هنا، قمنا بتطوير spIsoNet، برنامج يعتمد على التعلم العميق الذاتي المراقبة لحل مشكلة الاتجاه المفضل. باستخدام مناظر الاتجاه المفضل لاستعادة المعلومات الجزيئية في المناظر ذات العينة المنخفضة، يحسن spIsoNet كل من التماثل الزاوي ودقة محاذاة الجسيمات أثناء إعادة البناء الثلاثي الأبعاد. نحن نظهر قدرة spIsoNet على إنتاج إعادة بناء قريبة من التماثل من أنظمة بيولوجية تمثيلية مع مناظر محدودة، بما في ذلك الريبوسومات، إنزيمات β-galactosidases، ومجموعة بيانات الهيماغلوتينين الثلاثي التي كانت غير قابلة للحل سابقًا. يمكن أيضًا تعميم spIsoNet لتحسين تماثل الخريطة ومحاذاة الجسيمات للجزيئات ذات الاتجاه المفضل في متوسط تحت الجسيمات. لذلك، دون إجراءات تحضير إضافية للعينة، يوفر spIsoNet حلًا حاسوبيًا عامًا لمشكلة الاتجاه المفضل.
درس ليو وآخرون (سول) هذا السؤال.