本文介绍了一种新颖的通过深度神经网络在傅里叶空间编码结构,将粒子和共同体的不断变化的结构进行建模,并通过准确的图像定向使得模型能从无标注的 2D 冷冻电镜图像训练出来,最终得到了一种直接对冷冻电镜图像进行连续体蛋白质结构建模的方法 cryoDRGN,在模拟和真实 2D 冷冻电镜图像数据上实现了 3D 蛋白质复合物的 ab initio 重建。
基于扩散模型的框架实现了逆转因成像模态的特性而导致各向异性轴向分辨率的挑战,且无需参考数据或先验知识,通过利用 2D 扩散模型持续重建 3D 体积,在高度下采样数据中表现出优越性,并通过在两个公共数据集上的实验,证明了与监督学习方法相比利用生成先验的鲁棒性和优势。此外,还证实了自监督重建方法可以在无训练数据的情况下恢复单个各向异性体积。