Atelier：以超网络预训练连续局部冷冻电镜特征

CryoEM 图解释需要空间局部化、样本间一致以及跨空间尺度提供信息的特征。大多数用于地图注释的深度学习方法从固定体素网格中提取特征。然而，隐式神经表示（INR）能够将体积数据建模为与尺度无关的坐标条件函数。因此，INR 对冻结电镜很有吸引力，但为每个图谱拟合单独的 INR 对于大规模特征提取来说成本太高，并且会产生跨样本不对齐的表示。我们引入了 Atelier，这是一个自我监督框架，可以为重建的冻结电镜图分摊 INR 拟合。 Atelier 是一个基于 Transformer 的超网络，在 5,439 个电子显微镜数据库图上进行了预训练，可在各种蛋白质结构（包括大型多亚基组装体）中生成高保真度重建。除了重建之外，预训练 Transformer 生成的 INR 通过其在任何空间查询点的中间激活来暴露连续的局部特征场，这是体素网格和补丁标记器架构自然不提供的属性。这些坐标条件特征用作从头开始训练的 3D 嵌套 U-Net 注释头的辅助通道，在仅体积基线上提高了八个体素级属性预测任务的性能。我们的结果表明，摊销隐式神经表示是冻结电镜数据几何感知分析的有效原语。