中新網北京3月11日電 (記者 孫自法)中國科學院自動化研究所3月11日向媒體發布信息說，快速該所與中國科學院生物物理研究所相關科研團隊開展合作，準確中國智最新基于人工智能賦能原位結構生物學，定位大分云開平臺·app研究提出一種基于弱監督深度學習的識別生物快速準確顆粒挑選方法(DeepETPicker)，實現對生物大分子快速準確的團隊提出定位識別，相關技術已獲得中國發明專利授權。基于

　　這項生物物理領域人工智能應用重要研究，人工由中國科學院自動化所多模態人工智能系統實驗室楊戈研究員團隊、研究中國科學院生物物理所蛋白質科學研究平臺生物成像中心孫飛研究員團隊共同完成，新方云開平臺·app成果論文近日在國際學術期刊《自然-通訊》(Nature Communications)發表。快速

DeepETPicker　軟件用戶圖形界面。準確中國智中國科學院自動化所/供圖

　　研究團隊介紹說，定位大分生物大分子(如蛋白質)的識別生物結構與功能會隨著細胞生理狀態的變化不斷進行動態調整。原位結構生物學是團隊提出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，而原位冷凍電鏡技術以其高分辨率和在接近生理條件下觀察樣品的基于特點，成為原位結構生物學研究中的關鍵手段。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、粒子平均等多個步驟，生物大分子的顆粒挑選即定位識別，是其中一個關鍵環節。

　　受限于原位冷凍電鏡技術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極為耗時費力，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多方面限制。

使用 DeepETPicker　從冷凍電子斷層掃描圖像中挑選顆粒的整體工作流程。中國科學院自動化所/供圖

　　針對這一難題，研究團隊最新研發提出DeepETPicker，其僅需要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。為降低對人工標注量的需求，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來提升小訓練集時模型的性能；為提高顆粒定位的速度，DeepETPicker采用圖形處理器(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挑選速度數十倍。同時，為方便用戶使用，研究團隊還推出操作簡潔、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。

　　使用DeepETPicker從冷凍電子斷層掃描圖像中挑選顆粒的整體工作流程包括訓練數據階段和模型推理階段。在訓練數據階段，研究團隊優選了弱標簽來代替真實掩模以減輕人工標注負擔，并在模型架構設計方面，引入坐標卷積和圖像金字塔到3D-ResUNet的分割架構中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，避免了由于邊緣體素分割精度不佳而產生的負面影響，進而結合平均池化-非極大值抑制操作加速顆粒中心定位過程。

　　隨后，研究團隊將DeepETPicker與目前性能最優的顆粒挑選方法在多種冷凍電子斷層掃描數據集上進行性能評估對比，采用精確率-召回率、F1-分數、對數似然概率貢獻度、最大值概率、RH分辨率、全局分辨率6個定量指標全面評價顆粒挑選的質量，結果表明，DeepETPicker在仿真與真實數據集上均可實現快速準確的顆粒挑選，其綜合性能明顯優于現有的其他方法，生物大分子結構重建達到的分辨率也達到采用專家人工挑選顆粒進行結構重建同樣的水平。

采用定量指標評估DeepETPicker在EMPIAR-10045實驗數據集上的粒子挑選性能。中國科學院自動化所/供圖

　　研究團隊表示，這進一步體現出DeepETPicker在原位高分辨率結構解析中的實用價值，也充分表明該快速準確定位識別生物大分子的新方法，將為采用原位冷凍電鏡技術的原位結構生物學研究提供有力支持。(完)