神经网络模型训练方法和冷冻电镜密度图分辨率估计方法技术

本申请提供了一种神经网络模型训练方法和装置、冷冻电镜密度图分辨率估计方法和装置、计算机设备，以及存储介质，解决了现有技术中冷冻电镜密度图的分辨率估计算法输入数据不易获得、计算时间长的问题。神经网络模型训练方法包括：基于第一目标冷冻电镜密度图确定掩膜值、局部分辨率波动值和全局分辨率值，第一目标冷冻电镜密度图标注有掩膜值标签、局部分辨率波动值标签和全局分辨率值标签；基于掩膜值、局部分辨率波动值和全局分辨率值对神经网络模型进行训练，以使掩膜值趋近于掩膜值标签、局部分辨率波动值趋近于局部分辨率波动值标签、全局分辨率值趋近于全局分辨率值标签。全局分辨率值趋近于全局分辨率值标签。全局分辨率值趋近于全局分辨率值标签。

【技术实现步骤摘要】
神经网络模型训练方法和冷冻电镜密度图分辨率估计方法


[0001]本申请涉及冷冻电镜密度图的分辨率估计
，具体涉及一种神经网络模型的训练方法和装置、冷冻电镜密度图分辨率估计方法和装置、计算机设备，以及存储介质。

技术介绍

[0002]冷冻电镜密度图的分辨率估计是确定原子结构的关键步骤。冷冻电镜密度图的分辨率包括全局分辨率和局部分辨率。通常情况下针对全局分辨率和局部分辨率分别采用不同的算法来估计得到，同一种分辨率估计方法仅能估计一种分辨率，即全局分辨率或局部分辨率。例如，对于全局分辨率而言，可以采用傅里叶壳相关算法估计得到。对于局部分辨率而言，可以采用ResMap算法估计得到。
[0003]常规分辨率估计方法，例如Blocres方法的输入数据之一为half
‑
maps，因此，当需要对从EMDB上下载的冷冻电镜密度图或其它途径得到的冷冻电镜密度图进行分辨率估计时，需要先获得half
‑
maps，而half
‑
maps不总是被提供，导致分辨率估计的输入数据难以获得，难以或需要复杂的前期本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种神经网络模型的训练方法，其特征在于，包括：基于第一目标冷冻电镜密度图确定掩膜值、局部分辨率波动值和全局分辨率值，所述第一目标冷冻电镜密度图标注有掩膜值标签、局部分辨率波动值标签和全局分辨率值标签；基于所述掩膜值、所述局部分辨率波动值和所述全局分辨率值对所述神经网络模型进行训练，以使所述掩膜值趋近于所述掩膜值标签、所述局部分辨率波动值趋近于局部分辨率波动值标签、所述全局分辨率值趋近于所述全局分辨率值标签。2.根据权利要求1所述的神经网络模型的训练方法，其特征在于，所述基于第一目标冷冻电镜密度图确定掩膜值、局部分辨率波动值和全局分辨率值包括：对所述第一目标冷冻电镜密度图进行基于残差模块的编码处理，得到m个特征图；对所述m个特征图进行解码，得到期望密度图；基于所述期望密度图确定所述掩膜值和所述局部分辨率波动值；基于所述m个特征图中的顶层特征图确定所述全局分辨率值。3.根据权利要求2所述的神经网络模型的训练方法，其特征在于，所述基于所述期望密度图确定所述掩膜值包括：所述期望密度图顺次经过卷积核为3*3的卷积操作和卷积核为1*1的卷积操作，得到所述掩膜值。4.根据权利要求2所述的神经网络模型的训练方法，其特征在于，所述基于所述期望密度图确定所述局部分辨率波动值包括：对所述期望密度图进行分类，得到多个第一类别和所述多个第一类别各自的权重；确定所述多个第一类别各自的权重和各自代表的第一预设值的乘积为所述局部分辨率波动值。5.根据权利要求2所述的神经网络模型的训练方法，其特征在于，基于所述多个特征图中的顶层特征图确定所述全局分辨率值包括：对所述顶层特征图进行分类，得到多个第二类别和所述多个第二类别各自的权重；确定所述多个第二类别各自的权重和各自代表的第二预设值的乘积为所述全局分辨率值。6.根据权利要求1所述的神经网络模型的训练方法，其特征在于，所述基于所述掩膜值、所述局部分辨率波动值和所述全局分辨率值对所述神经网络模型进行训练包括：基于所述掩膜值和所述掩膜值标签确定第一损失函数；基于所述局部分辨率波动值和所述局部分辨率波动值标签确定第二损失函数；基于所述全局分辨率值和所述全局分辨率值标签确定...

【专利技术属性】
技术研发人员：张强锋，代沐芷，徐魁，
申请(专利权)人：清华大学，
类型：发明
国别省市：