Synthetic High-resolution Cryo-EM Density Maps with Generative Adversarial Networks

本文提出了一种新的数据驱动方法struc2mapGAN，采用生成对抗网络（GAN）从分子结构生成高分辨率的类似实验的密度图，以替代现有的基于模拟的方法。struc2mapGAN使用U-Net++架构作为生成器，加上额外的L1损失项和进一步处理原始实验图以增强学习效率。研究表明，struc2mapGAN在多种测试图和各种评估指标上优于现有的基于模拟的方法。我们的代码可在https://github.com/chenwei-zhang/struc2mapGAN上获取。该技术对于结构生物学有重要的应用前景。

论文旨在提出一种基于生成对抗网络（GAN）的方法，从分子结构中生成高分辨率的电子显微镜（EM）三维密度图，以解决现有方法无法模拟实验地图中所有复杂特征的问题。

论文的关键思路是使用U-Net++架构作为生成器，加入额外的L1损失项，并对原始实验地图进行进一步处理以提高学习效率。

论文的实验结果表明，在多种测试地图和各种评估指标下，struc2mapGAN优于现有的基于模拟的方法。此外，论文提供了开源代码，并可在GitHub上获得。

最近的相关研究包括： 1. "DeepEMhancer: a deep learning-based approach for enhancing low-dose electron microscopy images" (2020) 2. "CryoDRGN: reconstruction of heterogeneous cryo-EM structures using neural networks" (2020) 3. "CryoGAN: a new approach for generating synthetic cryo-EM maps" (2019)