डेटा-प्रेरित नियमितकरण ने क्रायो-ईएम संरचना निर्धारण के आकार बाधा को कम किया

अभिव्यक्ति इलेक्ट्रॉन क्रायो-माइक्रोस्कोपी (क्रायो-ईएम) द्वारा जैविक मैक्रोमोलेक्यूलर संरचनाओं के अभिव्यक्ति के लिए शोर वाले इमेजों की संरेखण से सीमित है। क्योंकि छोटे कणों के संकेत कमजोर होते हैं, संरेखण त्रुटियाँ इसके अनुप्रयोग पर आकार की सीमाएँ लगाती हैं। यहाँ, हम यह जांचते हैं कि छवि संरेखण को गहन शिक्षण के अनुप्रयोग द्वारा कैसे सुधारा जा सकता है ताकि जैविक मैक्रोमोलेक्यूलर संरचनाओं के बारे में पूर्व ज्ञान का लाभ उठाया जा सके, जिसे अन्यथा गणितीय रूप से व्यक्त करना मुश्किल होगा। हम इलेक्ट्रॉन माइक्रोस्कोपी डेटा बैंक (ईएएमबीडी) से आधे सेट पुनर्निर्माण के जोड़े पर एक शोर-मुक्त करने वाली संयोजनात्मक न्यूरल नेटवर्क को प्रशिक्षित करते हैं और इस शोर-मुक्त करने वाले को सामान्यत: उपयोग किए जाने वाले चिकनाई पूर्ववर्ती के विकल्प के रूप में उपयोग करते हैं। हम यह प्रदर्शित करते हैं कि यह दृष्टिकोण, जिसे हम ब्लश नियमितकरण कहते हैं, मौजूदा एल्गोरिदम की तुलना में बेहतर पुनर्निर्माण का उत्पादन करता है, विशेष रूप से कम सिग्नल-से-शोर अनुपात वाले डेटा के लिए। एक प्रोटीन-न्यूक्लिक एसिड जटिलता का पुनर्निर्माण, जिसका आणविक वजन 40 केडा है, जो पहले अक्षम्य रहा, यह दर्शाता है कि शोर-मुक्त करने वाले न्यूरल नेटवर्क क्रायो-ईएम संरचना निर्धारण की उपलब्धता को जैविक मैक्रोमोलेक्यूल्स की विस्तृत श्रृंखला के लिए विस्तारित करेंगे।