Extraction of Protein Dynamics Information Hidden in Cryogenic Electron Microscopy Maps Using Deep Learning
Notice bibliographique
Résumé
Abstract Technical breakthroughs in cryogenic electron microscopy (cryo-EM)-based single-particle analysis have enabled the structures of numerous proteins to be solved at atomic or near-atomic resolutions, including extremely large macromolecules whose structures could not be solved by conventional techniques. Determining the dynamics properties of these macromolecules, based on their solved structures, can further improve our understanding of their functional mechanisms. However, such analysis is often hampered by the large molecular size and complex structural assembly, making both experimental and computational approaches to determine dynamics properties challenging. Here, we report a deep learning-based approach, DEFMap, to extract the dynamics information “hidden” in cryo-EM density maps. By relying only on cryo-EM maps, DEFMap successfully provided dynamics information equivalent to that determined from molecular dynamics (MD) simulations and experimental approaches at the atomic and residue levels. Additionally, DEFMap could detect dynamics changes associated with molecular recognition and the accompanying allosteric conformational stabilizations, which trigger various biological events such as signal transduction and enzyme catalysis. This approach will provide new insights into the functional mechanisms of biological molecules, accelerating modern molecular biology researches. Furthermore, this advanced strategy combining experimental data, deep learning approaches, and MD simulations would open a new multidisciplinary science area
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».