利用机器学习对晶体学结构中配体原子坐标进行分辨率标准化评估

在大分子晶体学中，如何在不同分辨率下准确评估配体坐标与密度的一致性仍然是一项具有挑战性的任务。我们提出了原子盒相关系数（atomic Box Correlation Coefficient, aBCC），这是一种原子层面的指标，用于在分辨率标准化框架下评估配体原子坐标与电子密度之间的一致性。为从电子密度图中预测 aBCC 值，我们开发了 QAEmap，这是一种基于三维卷积神经网络（3D-CNN）的机器学习模型。该模型使用由蛋白质数据银行（Protein Data Bank, PDB）中的高分辨率结构生成的傅里叶截断电子密度图及其对应的配体坐标进行训练。我们采用傅里叶截断电子密度图和实验测定的 PDB 结构对其进行了评估。随着分辨率降低，预测精度逐渐下降，但在约 3.5 埃以内仍保持可靠。这些结果表明，aBCC 能够在不同分辨率下实现对坐标—密度一致性的分辨率标准化逐原子评估，并为基于机器学习的坐标验证方法的进一步开发与优化奠定了基础。

在大分子晶体学中，如何在不同分辨率下准确评估配体坐标与电子密度一致性仍然具有挑战性。我们提出了原子盒相关系数（atomic Box Correlation Coefficient, aBCC），这是一种原子水平指标，用于在分辨率标准化框架下评估配体原子坐标与电子密度之间的一致性。为从电子密度图中预测 aBCC 值，我们开发了 QAEmap，这是一种基于三维卷积神经网络（3D-CNN）的机器学习模型。该模型使用由蛋白质数据库（Protein Data Bank, PDB）中高分辨率结构生成的傅里叶截断电子密度图及其对应的配体坐标进行训练。我们分别利用傅里叶截断电子密度图和实验测定的 PDB 结构对其进行了评估。随着分辨率降低，预测精度逐渐下降，但在约 3.5 埃以内仍保持可靠。这些结果表明，aBCC 能够在不同分辨率下实现坐标—密度一致性的分辨率标准化逐原子评估，并为基于机器学习的坐标验证方法的进一步开发与改进奠定了基础。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.17.745351v1?rss=1

🏷️ 大分子晶体学 电子密度图 配体坐标验证 三维卷积神经网络 分辨率标准化