📌 论文标题：CryoDRGN-AI: Neural ab initio reconstruction of challenging cryo-EM and cryo-ET datasets📌 作者单位：斯坦福大学、普林斯顿大学、哥伦比亚大学、SLAC国家实验室等📌 期刊信息：Nature Methods，2025年6月 近期推送昌平实验室苏州大学联合发ProtTeX- 基于LLM的蛋白质上下文结构推理与编辑Nature重磅 | 西湖大学发E3-CryoFold冷冻电镜结构预测进入“秒级时代”中山大学和达摩院联手发布LucaOne：首个统一核酸与蛋白语言的通用生命基础大模型Nature | 高效Kemp消除酶的全计算生成路径，突破计算酶设计极限Science | 酶催化地形图：百种天然酶揭示进化尺度下的蛋白功能奥秘ProteinZero-让蛋白设计模型自我进化！蛋白生成迎来“强化学习 2.0”时代多个病理基础模型能否融合？上海交大Meta-Encoder给出的答案Nature最新 | ChatNT：DNA、RNA、蛋白任务通吃的多模态生物大模型2033年蛋白质工程市场将超178亿美金 | 近期AI蛋白质领域重大事件汇总202505中科院上药所从头设计新型蛋白“相分离”抑制剂，精准打击免疫关键靶点cGAS南昌大学发ACS：AI驱动的蛋白质-RNA结合位点高精度预测新工具制药巨头Merk的秘密武器：AI模型+100万化合物|ACS最新Nature | 中南大学发AI药物发现模型DeepDTAGen实现高效药物和靶标匹配及候选药物生成字节跳动等推出AI环肽药物设计新工具：CPSDE通过原子和键建模设计稳定且高效华东师大、中国电信和复旦联合发表AI蛋白质从头设计模型PDFBENCH在14个指标全面领先JCIM最新|齐鲁工业大学推出GICL框架-AI跨模态对比学习助力高效药物设计江南大学AI酶工程新突破：OpHReda精准预测酶最佳PHNature最新！南开大学发表超越AlphaFold3的AI模型D-I-TASSERNature最新！蛋白质组学国家重点实验室解锁药物潜力：通过化学蛋白质组学发现新的治疗靶点告别结构依赖！DPStab-蛋白质稳定性预测的端到端解决方案。在ΔΔG和ΔTm预测中均达SOTAScience最新！深度学习指导的动态蛋白质设计武汉大学团队AI模型DihedralsDiff精准捕捉分子内外结构助力高效药物设计复旦和同济团队发多模态AI模型LLM-MPP融合链式思维提升分子属性预测透明度和准确性阿斯利康和欧洲生物信息学研究所AI模型RP3Net精准预测大肠杆菌重组蛋白表达，提升药物研发生产效率国防科大王怀民院士团队发表EGD模型进化引导3D分子生成中山大学最新研究从分子动力学到机器学习-一种更有效的UGTs催化功能预测北理工Vina-CUDA：基于GPU加速的分子对接新突破——速度提升高达6.89倍且精度不妥协 原文摘要蛋白质和其他生物分子形成动态的大分子机器，这些机器受到精确调控，以实现移动、结合和进行化学反应。冷冻电子显微镜和冷冻电子断层扫描能够捕捉这些复合物的内在异质性，因此是理解其功能的关键工具。然而，对收集到的成像数据进行三维重建是一个具有挑战性的计算问题，尤其是在没有任何起始信息的情况下，这种情况被称为从头开始重建。在这里，我们介绍cryoDRGN-AI，这是一种利用富有表现力的神经表征，并将详尽搜索策略与基于梯度的优化相结合的方法，用于处理具有挑战性的异质数据集。通过使用cryoDRGN-AI，我们在大型数据集中揭示了新的构象状态，从未经筛选的数据集中重建了先前未解析的运动，并展示了从原位数据中对生物分子复合物进行从头开始重建。借助这种富有表现力且可扩展的结构测定模型，我们希望充分挖掘冷冻电子显微镜和冷冻电子断层扫描作为结构生物学和发现领域高通量工具的全部潜力。  原文解读❓研究背景｜Cryo-EM虽然强大，但ab initio重建仍是“卡脖子”的技术难题！在冷冻电镜（cryo-EM）和冷冻断层成像（cryo-ET）中，无需初始模型的ab initio三维重建长期是科研界的一大挑战：图像存在强噪声、粒子方向未知、构象高度异质传统方法需要初始密度图或预先分类神经网络方法（如CryoDRGN）依赖encoder，容易在低信噪比下过拟合✅CryoDRGN-AI：一个彻底端到端的ab initio结构重建框架核心创新包括：自解码（autodecoder）架构：不使用encoder直接优化潜变量两阶段姿态估计（Hierarchical Pose Search + SGD）：速度快、精度高显式的神经体积表示：通过隐式网络预测三维电子散射势📷重点图1：CryoDRGN-AI方法概览（图1a）支持Cryo-EM与Cryo-ET数据输入（图1b）先使用HPS估计粒子方向，再切换到SGD优化（图1e）SGD速度提升约20倍🧪实验证明：多个真实数据集上的全自动ab initio重建🔬实验一：重建spliceosome、核糖体、SARS-CoV-2刺突蛋白三种数据集📷重点图2：EMPIAR-10180、10076、SARS-CoV-2数据集重建结果PCA或UMAP降维显示潜变量分布不同颜色点代表不同构象CryoDRGN-AI自动识别并重建多个状态，包括闭合/开放、组装状态等🧩 DSL1–SNARE复合物中的junk图像问题也能轻松解决！该数据集大多数为“噪声图像”，传统方法需手动剔除、反复迭代。📷重点图3：自动从214,511张图中识别出优质粒子并重建完整结构k-means聚类识别出最清晰结构的子集重建展示了连续的hinging运动🧬 还原V-ATPase蛋白复杂多态状态，包括此前从未发现的构象！📷重点图4：V-ATPase复合物重建结果三种转子状态（Rotary 1/2/3）+ mEAK-7结合位置前后不同构象同时识别“junk”图像并剔除🧠 新发现：人类红细胞ankyrin-1复合物中的“超级复合体”构象！📷重点图5：Ankyrin-1数据集潜空间与构象状态图原始工作发现6种状态，CryoDRGN-AI发现第7种“Supercomplex”包含Rh、AQP1、Band3三聚体与未知蛋白Y🧬Cryo-ET数据首现ab initio建模，展示翻译周期多个中间状态！📷重点图6：70S核糖体在细胞内翻译周期中三种状态‘P态’、‘EF-Tu + P态’、‘A + P态’同时识别出8%的junk粒子可解析邻近ribosome形成polysome结构🎯总结：CryoDRGN-AI 的五大亮点能力表现🧠 完全ab initio重建不需要初始结构或姿态⚡ 高速优化SGD姿态估计比HPS快20倍🧩 抗噪声能力强无需先去junk，直接自动识别🌐 支持Cryo-EM与Cryo-ET单粒子 & tilt-series均可🔍 发现新状态识别未发表的超级复合体结构🔗原文链接 & 资源📖 论文链接：doi.org/10.1038/s41592-025-02720-4🌐 官网 & 开源地址：cryodrgnai.cs.princeton.edu记录AI蛋白质设计在诺奖背后的人和事

内容提及地域：江苏省、上海市、江西省、湖北省、北京市、苏州市、武汉市、南昌市、上海市、北京市、西湖区、昌平区

IP属地：英国