DeepEMhancer : une solution d'apprentissage profond pour le post-traitement des volumes cryo-EM

Les cartes cryo-EM sont des sources précieuses d'information pour la modélisation de la structure des protéines. Cependant, en raison de la perte de contraste aux hautes fréquences, elles doivent généralement être post-traitées pour améliorer leur interprétabilité. La plupart des approches populaires, basées sur la correction globale du facteur B, présentent des limites. Par exemple, elles ignorent l'hétérogénéité de la qualité locale de la carte que les reconstructions ont tendance à présenter. Pour surmonter ces problèmes, nous présentons DeepEMhancer, une approche d'apprentissage profond conçue pour effectuer automatiquement le post-traitement des cartes cryo-EM. Entraîné sur un ensemble de données composé de paires de cartes expérimentales et de cartes améliorées à partir de leurs modèles atomiques respectifs, DeepEMhancer a appris à post-traiter les cartes expérimentales en réalisant des opérations de type masquage et de type amélioration du contraste en une seule étape. DeepEMhancer a été évalué sur un ensemble de test de 20 cartes expérimentales différentes, démontrant sa capacité à réduire les niveaux de bruit et à obtenir des versions plus détaillées des cartes expérimentales. De plus, nous avons illustré les bénéfices de DeepEMhancer sur la structure de l'ARN polymérase du SARS-CoV-2.