（文章來源：教育新聞網(wǎng)）

密歇根大學生命科學研究所的科學家創(chuàng)造了一種新的數(shù)據(jù)處理方法，為通過低溫電子顯微鏡儀器生成的數(shù)據(jù)提供了一條更簡單，更快速的途徑，從而消除了廣泛采用這種強大技術的障礙。Cryo-EM使科學家能夠確定已經(jīng)在冰薄層中速凍的細胞蛋白質和其他分子的3D形狀。先進的顯微鏡可在冰層上發(fā)射高能電子，同時捕獲數(shù)千個視頻。然后將這些視頻取平均值，以創(chuàng)建分子的3D結構。

通過發(fā)現(xiàn)這些分子的精確結構，研究人員可以回答有關該分子如何在細胞中起作用以及它們?nèi)绾螌θ祟惤】岛图膊∽龀鲐暙I的重要問題。例如，研究人員最近使用cryo-EM揭示了COVID-19病毒上的蛋白質尖峰如何使其進入宿主細胞。

低溫電磁技術的最新進展已迅速向新用戶開放該領域，并提高了收集數(shù)據(jù)的速度。盡管有這些改進，但是，研究人員在利用該技術的全部潛力方面仍然面臨巨大障礙：復雜的數(shù)據(jù)處理環(huán)境需要將顯微鏡的TB級數(shù)據(jù)轉換為3D結構以備分析。

在研究人員可以開始分析他們要研究的3D結構之前，他們必須完成一系列預處理步驟和主觀決定。目前，這些步驟必須在人類的監(jiān)督下進行-而且由于研究人員使用cryo-EM分析多種分子類型，因此科學家認為幾乎不可能創(chuàng)建所有研究人員都可以遵循的通用指導原則， LSI的Willis生命科學研究員Li Yilai領導了新程序的開發(fā)。

他說：“如果我們能為這些預處理步驟創(chuàng)建一條自動化的管道，那么整個過程可能會更加人性化，尤其是對于那些剛進入該領域的新手來說?！盠i和他的同事在LSI助理教授Michael Cianfrocco的實驗室中使用機器學習開發(fā)了這樣的管道。該程序于4月14日在《結構》雜志上發(fā)表，作為研究的一部分。

新程序將幾個深度學習和圖像分析工具與預先存在的軟件數(shù)據(jù)預處理算法相連接，以將龐大的數(shù)據(jù)集縮小到研究人員開始進行分析所需的信息。

UM醫(yī)學院的生物化學助理教授Cianfrocco表示：“該渠道吸收了經(jīng)驗豐富的用戶所獲得的知識，并將其納入一個程序中，以提高用戶在各種背景下的可訪問性?！薄八_實簡化了過程階段，以便研究人員可以進入并專注于重要的方面：他們想問和回答的科學問題?！?br /> （責任編輯：fqj）