CryoAtlas: un ampio dataset curato e un benchmark unificato per la costruzione di modelli atomici con la crio-EM

Abstract degli autori

Il deep learning ha accelerato la costruzione automatizzata di modelli atomici a partire da mappe di crio-EM, ma i progressi restano limitati dalla mancanza di dataset ampi e di alta qualità e di benchmark di valutazione standardizzati. Colmiamo questa lacuna presentando CryoAtlas, un dataset rigorosamente curato e un benchmark unificato per la costruzione di modelli atomici di catene proteiche guidata dalla densità. Integrando e filtrando voci di EMDB e PDB (fino a marzo 2026), CryoAtlas mette a disposizione 17.809 voci mappa-modello-sequenza, tra cui uno split di addestramento curato di 16.657 voci. A partire da questa risorsa, costruiamo un benchmark di 618 target con un protocollo di valutazione condiviso che valuta congiuntamente l’accuratezza strutturale, l’adattamento del modello alla mappa e la validità stereochimica. Utilizzando questo framework, confrontiamo i metodi di apprendimento allo stato dell’arte con Phenix e AlphaFold3, analizzando in modo approfondito l’impatto della risoluzione della mappa, della lunghezza della sequenza, della categoria proteica e dell’identità di sequenza sull’accuratezza della modellazione. Come caso di studio, riaddestrare su CryoAtlas la componente CNN di ModelAngelo migliora le prestazioni sul benchmark. CryoAtlas offre una base aperta e riproducibile per la ricerca futura sulla costruzione di modelli atomici con la crio-EM. I dettagli del progetto e gli aggiornamenti sulla pubblicazione della risorsa sono disponibili all’indirizzo https://oulling.github.io/cryoatlas/.