生物大分子的結構與功能隨著細胞生理狀態的變化而不斷進行動態調整。原位結構生物學是在接近自然生理狀態下研究生物大分子結構和功能的科學。原位冷凍電鏡技術(Cryo-ET)以高分辨率和在接近生理條件下觀察樣品的特點，成為原位結構生物學研究的關鍵手段。原位冷凍電鏡的技術流程涉及樣品制備、數據采集、電子斷層重建、顆粒挑選、粒子平均等步驟。生物大分子的顆粒挑選即定位識別是關鍵環節之一。受限于Cryo-ET圖像的極低信噪比和重建偽影等因素，成千上萬個目標顆粒的手動挑選耗時費力。而現有自動挑選方法的應用受到人工標注量高、計算成本高和顆粒質量不理想等方面的限制。
 

　　3月7日，中國科學院生物物理研究所蛋白質科學研究平臺生物成像中心與自動化研究所多模態人工智能系統實驗室合作，以人工智能技術賦能原位結構生物學，提出了基于弱監督深度學習的快速準確顆粒挑選方法——DeepETPicker。相關研究成果以DeepETPicker: Fast and accurate 3D particle picking for cryo-electron tomography using weakly supervised deep learning為題，發表在《自然-通訊》(Nature Communications)上。
 

　　DeepETPicker僅需少量人工標注顆粒進行訓練，即可實現快速準確三維顆粒自動挑選。為了降低人工標注量的需求，DeepETPicker優選簡化標簽來替代真實標簽，并采用更高效的模型架構、更豐富的數據增強技術和重疊分區策略以提升小訓練集時模型的性能；為了提高顆粒定位的速度，DeepETPicker采用GPU加速的平均池化-非極大值抑制后處理操作，與現有的聚類后處理方法相比提升了挑選速度數十倍。為方便用戶使用，該團隊推出了操作簡潔、界面友好的開源軟件，以輔助用戶完成圖像預處理、顆粒標注、模型訓練與推理等操作。
 

　　科研人員在冷凍電子斷層掃描圖像中使用DeepETPicker挑選顆粒的整體工作流程，包括訓練階段和推理階段。在訓練數據的準備階段，研究優選了弱標簽TBall-M來代替真實掩模以減輕人工標注負擔。在模型架構的設計方面，研究引入坐標卷積和圖像金字塔到3D-ResUNet的分割架構以提高定位的準確性。在模型推理階段，DeepETPicker采用重疊斷層圖分區策略，避免了因邊緣體素分割精度不佳而產生的負面影響，進而結合MP-NPMS操作加速了顆粒中心定位過程。
 

　　該研究在多種冷凍電子斷層掃描數據集上，將DeepETPicker與目前性能最優的顆粒挑選方法進行性能評估對比，采用六個定量指標全面評價顆粒挑選的質量。結果表明：DeepETPicker在仿真數據集與真實數據集上均可實現快速準確的顆粒挑選，且綜合性能優于現有的其他方法；生物大分子結構重建得到的分辨率達到采用專家人工挑選顆粒進行結構重建的同樣水平。這體現了DeepETPicker在原位高分辨率結構解析中的實用價值。DeepETPicker有望為采用原位冷凍電鏡技術的原位結構生物學研究提供支持。
 

　　研究工作得到中國科學院戰略性先導科技專項(B類)、國家自然科學基金、國家重點研發計劃等的支持。相關技術已獲得中國發明專利授權。
 

在冷凍電子斷層掃描圖像中使用DeepETPicker挑選顆粒的整體工作流程