ترجمه فارسی مقاله CryoBench: مجموعه داده‌های متنوع و چالش‌برانگیز برای مسئله ناهمگنی در cryo-EM

چکیده

Cryo-electron microscopy (cryo-EM) is a powerful technique for determining high-resolution 3D biomolecular structures from imaging data. As this technique can capture dynamic biomolecular complexes, 3D reconstruction methods are increasingly being developed to resolve this intrinsic structural heterogeneity. However, the absence of standardized benchmarks with ground truth structures and validation metrics limits the advancement of the field. Here, we propose CryoBench, a suite of datasets, metrics, and performance benchmarks for heterogeneous reconstruction in cryo-EM. We propose five datasets representing different sources of heterogeneity and degrees of difficulty. These include conformational heterogeneity generated from simple motions and random configurations of antibody complexes and from tens of thousands of structures sampled from a molecular dynamics simulation. We also design datasets containing compositional heterogeneity from mixtures of ribosome assembly states and 100 common complexes present in cells. We then perform a comprehensive analysis of state-of-the-art heterogeneous reconstruction tools including neural and non-neural methods and their sensitivity to noise, and propose new metrics for quantitative comparison of methods. We hope that this benchmark will be a foundational resource for analyzing existing methods and new algorithmic development in both the cryo-EM and machine learning communities.

چکیده به فارسی (ترجمه ماشینی)

میکروسکوپ Cryo-Electron (Cryo-EM) یک روش قدرتمند برای تعیین ساختارهای بیومولکولی سه بعدی با وضوح بالا از داده های تصویربرداری است.از آنجا که این تکنیک می تواند مجتمع های بیومولکولی پویا را ضبط کند ، روشهای بازسازی سه بعدی به طور فزاینده ای برای حل این ناهمگونی ساختاری ذاتی در حال توسعه هستند.با این حال ، عدم وجود معیارهای استاندارد با ساختار حقیقت زمین و معیارهای اعتبار سنجی ، پیشرفت این زمینه را محدود می کند.در اینجا ، ما CryoBench ، مجموعه ای از مجموعه داده ها ، معیارها و معیارهای عملکرد را برای بازسازی ناهمگن در Cryo-EM پیشنهاد می کنیم.ما پنج مجموعه داده را پیشنهاد می کنیم که منابع مختلف ناهمگونی و درجه دشواری را نشان می دهند.این موارد شامل ناهمگونی کنفورماسیونی ناشی از حرکات ساده و تنظیمات تصادفی مجتمع های آنتی بادی و از ده ها هزار ساختار نمونه برداری از شبیه سازی دینامیک مولکولی است.ما همچنین مجموعه داده های حاوی ناهمگونی ترکیبی از مخلوط حالتهای مونتاژ ریبوزوم و 100 مجتمع مشترک موجود در سلول ها را طراحی می کنیم.سپس ما یک تجزیه و تحلیل جامع از ابزارهای بازسازی ناهمگن پیشرفته از جمله روشهای عصبی و غیر عصبی و حساسیت آنها به نویز انجام می دهیم و معیارهای جدیدی را برای مقایسه کمی روش ها پیشنهاد می کنیم.ما امیدواریم که این معیار یک منبع اساسی برای تجزیه و تحلیل روشهای موجود و توسعه الگوریتمی جدید در هر دو جوامع Cryo-EM و یادگیری ماشین باشد.