CryoACE: An Atom-centric Framework for Accurate and Automated Model Building in Cryo-EM
AI 深度解读
CryoACE：冷冻电镜中精准自动化模型构建的原子中心框架
背景
冷冻电镜（Cryo-EM）技术的突破使得解析蛋白质等生物大分子的高分辨率结构成为可能。然而，从冷冻电镜密度图出发，构建精确的原子模型（Model Building）仍是结构生物学中的一大瓶颈。这一过程面临两大核心挑战：一是必须强制满足理化有效性（如化学键长、键角等物理约束），二是必须妥善管理构象异质性（即分子在不同状态下的动态变化）。
现有的求解器（solvers）往往存在明显局限：要么只能进行静态预测，无法捕捉分子的动态行为；要么需要依赖计算量极其庞大的启发式搜索，效率低下且难以自动化。这些短板严重制约了冷冻电镜从“出图”到“出结构”的转化效率。
核心内容
针对上述痛点，本文提出了 CryoACE，一个端到端（end-to-end）框架，旨在为均相和异相结构重建精确的原子图。该方法包含两大核心创新：
- 原子中心重构范式：传统的冷冻电镜模型构建通常依赖于昂贵的三维体素卷积来提取密度特征。CryoACE 彻底改变了这一范式，直接在原子坐标处采样密度特征，并将这些特征迭代循环以不断细化结构。这种“原子中心”的策略取代了计算密集的体素卷积，实现了高效的多模态融合（将密度图信息与原子结构信息深度融合）。
- 免训练引导机制：在处理动态分子时，局部区域的分辨率差异往往导致结构模糊（动态模糊性）。CryoACE 引入了一种无需额外训练的引导机制，该机制利用预测的局部分辨率先验来指导结构生成，从而有效解析动态模糊性，在不依赖预构建静态结构的情况下还原真实构象。
在验证阶段，CryoACE 在一个新构建的高质量数据集上进行了测试。实验结果表明，在静态基准测试中，CryoACE 显著优于现有的基线方法。更为重要的是，
查看原文 →arxiv.org