冷凍電鏡已成為解析生物大分子結構的最主要技術之一。在冷凍電鏡密度圖的質(zhì)量評估中，一個關鍵的指標是分辨率，即可以通過一致性測試的最精細結構細節(jié)的大小。由于樣品異質(zhì)性和輻射損傷等因素的影響，冷凍電鏡密度圖在不同區(qū)域的分辨率是可以不同的；因此，研究者因此引入了局部分辨率的概念?？焖?、準確、有效地評估冷凍電鏡密度圖的局部分辨率可以為三維重構和下游結構分析提供指導。目前可用的局部分辨率估計方法存在一些限制，比如需要人工進行參數(shù)調(diào)整、耗時較長，以及在某些情況下需要以半折密度圖（half map）作為輸入，無法對單個密度圖估計局部分辨率等。

清華大學生命科學學院/結構生物學高精尖創(chuàng)新中心/清華-北大生命科學聯(lián)合中心張強鋒副教授課題組在《分子生物學》（Journal of Molecular Biology）雜志在線發(fā)表題為“CryoRes：通過深度學習對冷凍電鏡密度圖進行局部分辨率估計”（CryoRes: Local Resolution Estimation of Cryo-EM Density Maps by Deep Learning）的研究論文。在該研究中，他們開發(fā)了一個基于深度學習框架的人工智能算法CryoRes，可以直接從單個冷凍電鏡密度圖中估計出局部分辨率。

CryoRes建立在殘差3D U-Net的架構之上，可以在端到端的預測框架下執(zhí)行精確的局部分辨率估計。通過在1,174個實驗獲得的冷凍電鏡密度圖數(shù)據(jù)上進行監(jiān)督式訓練，CryoRes學習到了密度圖體像素特征與分辨率之間的關系，從而實現(xiàn)了無需額外輸入直接進行局部分辨率的估計。相對于目前廣為使用的基于FSC的方法blocres，CryoRes局部分辨率估計的平均均方根誤差為2.26?，顯著優(yōu)于當前最先進的分辨率估計方法。此外，CryoRes還能夠為每個密度圖生成大分子表面，其精度比ResMap估計的大分子表面的準確率高12.12%。此外，相較于其他方法，CryoRes克服了一些限制，例如需要輸入half map或大分子表面的信息，實現(xiàn)了全自動、無參數(shù)、超快速的局部分辨率估計。另外，CryoRes也適用于冷凍電子斷層圖數(shù)據(jù)的局部分辨率估計。CryoRes可在https://cryores.上免費使用。

圖：CryoRes框架

清華大學生命科學學院張強鋒副教授和清華大學生命科學學院博士后徐魁為本文通訊作者，清華大學生命科學學院2021級博士生代沐芷為該論文第一作者，2018級博士生董卓爾為該工作做出了重要貢獻。另外，清華大學生命科學學院閆創(chuàng)業(yè)副教授和2021級博士生孔方也為該工作提供了寶貴的意見和幫助。本工作得到國家自然科學基金、中國博士后科學基金、清華-北京生命科學中心博士后基金、北京市結構生物學高精尖創(chuàng)新中心、清華-北大生命科學聯(lián)合中心、上海期智研究院的支持。