Descrizione del progetto
Imparare dal passato è un modo innovativo per ridurre il rumore dalle immagini cryo-EM
Fino a pochi anni fa era difficile rappresentare per immagini le biomolecole senza cristallizzarle, e non tutte le molecole possono essere formate in grossi cristalli. La microscopia crioelettronica (cryo-EM) supera questi ostacoli, rappresentando per immagini le molecole congelate in soluzione con fasci di elettroni, una tecnica insignita dal Premio Nobel per la Chimica nel 2017. Il progetto EM-PRIOR, finanziato dall’UE, andrà ancora oltre con un tuffo nel passato che aumenterà la risoluzione del segnale nel rumore. La strategia di riduzione del rumore computazionale si baserà su reti neurali convoluzionali per «apprendere» molto di ciò che è già noto sulle strutture biologiche, contribuendo in ultimo a mettere ancora più a fuoco questo oggetto.
Obiettivo
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.
Campo scientifico (EuroSciVoc)
CORDIS classifica i progetti con EuroSciVoc, una tassonomia multilingue dei campi scientifici, attraverso un processo semi-automatico basato su tecniche NLP. Cfr.: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
CORDIS classifica i progetti con EuroSciVoc, una tassonomia multilingue dei campi scientifici, attraverso un processo semi-automatico basato su tecniche NLP. Cfr.: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
- scienze naturaliscienze fisicheotticamicroscopiaelectron microscopy
- scienze naturaliinformatica e scienze dell'informazioneintelligenza artificialeapprendimento automaticoapprendimento profondo
- scienze naturaliscienze biologichebiologia molecolarebiologia strutturale
È necessario effettuare l’accesso o registrarsi per utilizzare questa funzione
Siamo spiacenti… si è verificato un errore inatteso durante l’esecuzione.
È necessario essere autenticati. La sessione potrebbe essere scaduta.
Grazie per il tuo feedback. Riceverai presto un'e-mail di conferma dell'invio. Se hai scelto di ricevere una notifica sullo stato della segnalazione, sarai contattato anche quando lo stato della segnalazione cambierà.
Parole chiave
Programma(i)
Argomento(i)
Invito a presentare proposte
(si apre in una nuova finestra) H2020-MSCA-IF-2019
Vedi altri progetti per questo bandoMeccanismo di finanziamento
MSCA-IF -Coordinatore
SN2 1FL Swindon
Regno Unito