Projektbeschreibung
Weniger verrauschte Kryo-Elektronenmikroskopie-Bilder dank bekannter Erkenntnisse
Noch vor wenigen Jahren war es schwierig, biologische Moleküle abzubilden, ohne sie zu kristallisieren, und nicht alle Moleküle können zu großen Kristallen geformt werden. Die Kryo-Elektronenmikroskopie überwindet nun diese Barriere, indem sie in Lösung eingefrorene Moleküle mittels Elektronenstrahlen abbildet. Dieses Verfahren wurde 2017 mit dem Nobelpreis für Chemie ausgezeichnet. Mit einer Reise in die Vergangenheit wird das EU-finanzierte Projekt EM-PRIOR das Beste noch verbessern, indem es die Auflösung des Signals innerhalb des Rauschens erhöht. Die computergestützte Entrauschungsstrategie wird auf faltenden neuronalen Netzwerken beruhen, um viel von dem zu „lernen“, was über biologische Strukturen bereits bekannt ist. Im Endeffekt wird dadurch das Objekt klarer in den Fokus gerückt.
Ziel
Electron cryo-microscopy (cryo-EM) is the fastest growing technique to explore the structure of biological macromolecules. To limit radiation damage, images are recorded under low-dose conditions, which leads to high levels of experimental noise. To reduce the noise, one averages over many images, but this requires alignment and classification algorithms that are robust to the high levels of noise. When signal-to-noise ratios drop, cryo-EM 3D reconstruction algorithms become susceptible to overfitting, ultimately limiting their applicability. The algorithms can be improved by incorporating prior knowledge. The most widely used approaches in the field to date incorporate the prior knowledge that cryo-EM reconstructions are smooth in a Bayesian approach. However, in terms of information content, the smoothness prior reflects poorly compared to the vast amount of prior knowledge that structural biology has gathered in the past 50 years. I aim to develop a computational pipeline that can exploit much more of the existing knowledge about biological structures in the cryo-EM structure determination process. I will express this prior knowledge through convolutional neural networks that have been trained on many reconstructions, and use these networks in novel algorithms that optimise a regularised likelihood function. Similar approaches have excelled in image denoising and reconstruction in related areas. Preliminary results with simulated data suggest that significant improvements beyond the existing methods are possible, both in computational speed and in signal recovery capabilities. The proposed methods will enable faster computations with less user involvement, but most importantly, they will extend the applicability of cryo-EM structure determination to many more samples, alleviating the existing experimental requirements of particle size, ice thickness and sample purity.
Wissenschaftliches Gebiet (EuroSciVoc)
CORDIS klassifiziert Projekte mit EuroSciVoc, einer mehrsprachigen Taxonomie der Wissenschaftsbereiche, durch einen halbautomatischen Prozess, der auf Verfahren der Verarbeitung natürlicher Sprache beruht. Siehe: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
CORDIS klassifiziert Projekte mit EuroSciVoc, einer mehrsprachigen Taxonomie der Wissenschaftsbereiche, durch einen halbautomatischen Prozess, der auf Verfahren der Verarbeitung natürlicher Sprache beruht. Siehe: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
- NaturwissenschaftenNaturwissenschaftenOptikMikroskopieelectron microscopy
- NaturwissenschaftenInformatik und Informationswissenschaftenkünstliche Intelligenzmaschinelles LernenDeep Learning
- NaturwissenschaftenBiowissenschaftenMolekularbiologieStrukturbiologie
Sie müssen sich anmelden oder registrieren, um diese Funktion zu nutzen
Wir bitten um Entschuldigung ... während der Ausführung ist ein unerwarteter Fehler aufgetreten.
Sie müssen sich authentifizieren. Ihre Sitzung ist möglicherweise abgelaufen.
Vielen Dank für Ihr Feedback. Sie erhalten in Kürze eine E-Mail zur Übermittlungsbestätigung. Wenn Sie sich für eine Benachrichtigung über den Berichtsstatus entschieden haben, werden Sie auch im Falle einer Änderung des Berichtsstatus benachrichtigt.
Schlüsselbegriffe
Programm/Programme
Thema/Themen
Aufforderung zur Vorschlagseinreichung
(öffnet in neuem Fenster) H2020-MSCA-IF-2019
Andere Projekte für diesen Aufruf anzeigenFinanzierungsplan
MSCA-IF -Koordinator
SN2 1FL Swindon
Vereinigtes Königreich