ml-struct-bio/cryodrgn

解决的问题

CryoDRGN 解决了低温电子显微镜（cryo-EM）和低温电子断层扫描（cryo-ET）中的异质性重建问题。传统方法往往难以表示生物分子的连续结构变化，而此工具允许对 3D 结构的连续分布进行建模。

工作原理

该项目使用基于神经网络的体积表示方法。具体而言，它采用变分自编码器（VAE）来学习结构异质性的潜在变量表示。用户需对图像堆栈进行预处理，解析姿态和CTF参数，并训练VAE以从2D投影重建3D体积。

适用人群

专为使用cryo-EM和cryo-ET研究复杂、柔性生物分子的结构生物学家和研究人员设计。

主要亮点

• 连续分布建模：突破离散类别限制，实现对结构柔性的建模。
• 集成化流程：包含下采样、姿态/CTF解析以及基于体素的反投影验证工具。
• 交互式可视化：提供端到端的交互式仪表板Web应用，用于结果可视化。
• GPU加速：支持多GPU并行处理，加速高分辨率图像的训练过程。