クライオ電子顕微鏡法は過去10年にわたって構造生物学を変革してきたが、生の密度マップをシャープにし強調するソフトウェアには盲点がある、強調されたマップのどの部分が信頼できるかを知る手段を提供していないのである。ニューラルネットワークはノイズをあたかも構造であるかのように変換でき、ユーザーにはその違いを見分ける方法がない。
2026年7月17日にデルフト工科大学の研究者らによって『Nature Communications』に発表されたLocScale-2.0は、ボクセル単位の信頼度スコアによってこのギャップを解消する。これにより構造生物学者は、どの特徴を信頼し、どの特徴を注意深く扱うべきかを判断できる。
LocScaleの機能
生のクライオ電子顕微鏡マップはぼやけている。高解像度のディテールを強調しながらノイズを抑制するシャープニングは、必須の後処理工程である。2017年にリリースされたLocScale 1.0は、既存の原子モデルを参照として局所的にこのシャープニングを実行した。Alok Bharadwaj、Reinier de Bruin、Arjen Jakobiが開発したバージョン2.0は、3つの主要な進歩をもたらす。
第一に、原子モデルをまったく必要としない。モデルフリーモードは、偽発見率制御による密度閾値処理を用いて分子エンベロープを推定し、未モデル化領域に擬似原子を配置する。ハイブリッドモードは、部分的な原子モデルと残りの領域の擬似原子を組み合わせる。
第二に、LocScale-FEM（Feature-Enhanced Maps）と呼ばれる完全に新しい深層学習ワークフローが、ベイズ型3D U-Netとモンテカルロドロップアウトを用いて実空間で動作する。バージョン1.0のフーリエフィルターアプローチとは異なり、振幅と位相の両方に影響を与え、密度修正に類似している。
第三に、そして最も重要なこととして、モンテカルロドロップアウトは予測のアンサンブルを生成し、その分散が不確実性を定量化する。これはボクセル単位の信頼度スコア（pVDDT、-100から100の尺度）に変換され、局所的な位相誤差と相関する。±80以上のスコアは信頼できる特徴を示し、±95以上は過剰強調または抑制の可能性を示す。
ベンチマーク結果
ModelAngeloを使用した4Å未満の分解能での50のマップ–モデルペアにおける自動モデル構築テストでは、LocScale-2.0マップは登録マップと比較して、プルーニング前の配列カバレッジ82%を達成した。最大の改善はグルタミン酸合成酵素で見られ、1,306残基（12%増加）が追加で正確にモデル化された。
体積リコール（強調されたマップが真の分子密度をどの程度回復するかの尺度）は、DeepEMhancerおよびEMReadyよりも有意に高かった（それぞれp<0.0004およびp<0.0002）。重要なことに、LocScale-2.0は競合手法が抑制した文脈構造（膜タンパク質周囲の脂質ベルト、細菌分泌チャネルの中心プラグ、リボソーム内のA部位tRNAと新生ペプチド鎖、LDL粒子内のコレステリルエステルプレート）を保存した。
pVDDT信頼度スコアにより、ユーザーは例えば、リガンドの秩序だったピラノースコアと柔軟なフェニルエチル尾部を区別できる、これは従来のシャープニングマップでは不可視の情報である。
分野における意義
クライオ電子顕微鏡法は加速的なペースで構造を生成しており、この分野はますます複雑なシステム（天然脂質中の膜タンパク質、in situサブトモグラム平均、内在性複合体）を対象としている。これらのシステムではマップ品質が空間的に異なる。不確実性の推定なしに単一の「最良の」マップを生成する深層学習シャープニングツールは、特に経験の浅いユーザーによる誤解釈のリスクを生み出す。
LocScale-2.0の信頼度ガイド型アプローチは、不確実性を可視化する。本ソフトウェアはCCP-EM Doppioスイートの一部として、またスタンドアロンのPythonパッケージとして利用可能である。注意点として、テストされたケースの17%では、自動モデル構築において登録マップがLocScale-2.0マップを上回り、ニューラルネットワークの学習データは89のEMDBエントリのみをカバーしているため、この分布外の特徴は最適に処理されない可能性がある。
雅子 訳
出典
1. A. Bharadwaj, R. de Bruin, A.J. Jakobi, “Confidence-guided cryo-EM map optimization with LocScale-2.0,” Nature Communications (2026). DOI: 10.1038/s41467-026-75327-8