ml-struct-bio/cryodrgn

解決的問題

CryoDRGN 解決了低溫電子顯微鏡（cryo-EM）與低溫電子斷層掃描（cryo-ET）中的異質性重建問題。傳統方法往往難以表現生物分子的連續結構變化，而此工具允許對 3D 結構的連續分佈進行建模。

工作原理

本專案使用基於神經網路的體積表示方法。具體而言，它採用變分自編碼器（VAE）來學習結構異質性的潛在變數表示。使用者需對影像堆疊進行預處理，解析姿態與 CTF 參數，並訓練 VAE 以從 2D 投影重建 3D 體積。

適用對象

專為使用 cryo-EM 與 cryo-ET 研究複雜、柔韌生物分子的結構生物學家與研究人員設計。

主要亮點

• 連續分佈建模：突破離散類別限制，實現對結構柔性的建模。
• 整合式流程：包含下採樣、姿態/CTF 解析以及基於體素的反投影驗證工具。
• 互動式可視化：提供端對端的互動式儀表板 Web 應用，用於結果可視化。
• GPU 加速：支援多 GPU 並行處理，加速高解析度影像的訓練過程。