Der RMSF-Netzwerkansatz wurde entwickelt, um Proteinbewegungen anhand von Kryo-Elektronenmikroskopie (Kryo-EM)-Karten zu analysieren. Das Hauptziel dieser Methode ist es, die RMSF (Root Mean Square Fluctuation) lokaler Strukturen innerhalb von Proteinen vorherzusagen. RMSF ist eine weit verbreitete Maßzahl zur Beurteilung der Flexibilität molekularer Strukturen in der molekulardynamischen Analyse und wird durch eine spezifische Formel definiert. Das RMSF-Netzwerk integriert experimentelle Kryo-EM-Karten und angepasste PDB-Modelle, um die mittleren Strukturen schwankender Proteine zu repräsentieren. Die Architektur des RMSF-Netzwerks besteht aus zwei miteinander verbundenen Modulen und zeigt eine gute Leistung bei der Vorhersage von Atom-RMSF. Es verwendet eine Kombination aus dreidimensionaler Faltungsneuralnetzwerktechnologie und Regressionsalgorithmen, um präzise RMSF-Vorhersagen zu erzielen.
Um die Strukturinformationen aus den Kryo-EM-Karten herauszunehmen, wurde das Occ-Netzwerk eingeführt, das Wahrscheinlichkeiten der Strukturbelegung auf Kryo-EM-Karten-Voxeln vorhersagt. Diese Strukturinformationen werden dann zur dynamischen Vorhersage von RMSF verwendet. Das Occ2RMSF-Netzwerk integriert die Struktur- und Flexibilitätsinformationen aus Kryo-EM-Karten und PDB-Modellen, um genauere Vorhersagen zu erhalten. Diese Methode bietet einen interpretierbaren Ansatz zur Analyse von Proteinbewegungen in komplexen biologischen Systemen.
RMSF-Net zeigt eine überlegene Leistung bei der Vorhersage von Proteinflexibilität im Vergleich zu anderen Methoden insbesondere bei der Verwendung von Kryo-EM-Karten in Kombination mit PDB-Modellen. Die durchschnittliche Korrelationskoeffizient liegt bei 0,746 und bietet detaillierte Einblicke in die molekularen Bewegungen von Proteinen. Die Methode zeigt auch gute Stabilität und Konsistenz über verschiedene Auflösungsbereiche von Kryo-EM-Karten hinweg, was ihre Anwendbarkeit in einer Vielzahl von Experimenten und Analysen im Bereich der strukturellen Proteomik unterstreicht.
Zusätzlich hat sich RMSF-Net als äußerst effizient in Bezug auf Rechenleistung und Speicherplatzbedarf erwiesen, wodurch es eine schnelle und kostengünstige Methode zur Proteinanalyse darstellt. Die Laufzeiten auf CPUs und GPUs sind linear abhängig von der Datenmenge, was zu schnellen Verarbeitungszeiten führt. Im Vergleich zu anderen Methoden wie DEFMap bietet RMSF-Net erhebliche Geschwindigkeitsvorteile und hohe Effizienz bei der Vorhersage von Proteinbewegungen.