【CryoET】IsoNet使用流程

简介：

IsoNet 代表电子断层扫描的各向同性重建。它训练深度神经网络重建电子断层扫描缺失楔块中的有意义内容，使用从原始断层图像中学习到的信息提高信噪比。该软件需要断层图像作为输入。以大约 30A 的分辨率观察，IsoNet 生成的断层图像基本上是各向同性的。

IsoNet 包含模块：准备star文件、CTF 反卷积、生成掩模、提取、细化和预测。
IsoNet 中的所有命令都对 .star 文本文件进行操作，其中包括上述任务的数据和参数的描述和路径。用户可以选择通过 GUI 或命令行使用 IsoNet。在 0.2 版中，用户可以绘制多边形来定义掩模区域。此选项对于排除碳区域很有用。

利用IsoNet进行重建实验步骤记录：

实例一：IsoNet for virus tomograms

输入：本教程中使用的数据集包含从 EMPIAR10164 中的三个倾斜系列重建的 8 bin 断层图像。

2.1.1 准备输入断层图和STAR文件

首先为项目创建一个文件夹。在此文件夹中，创建子文件夹（本例中子文件夹名称为 tomoset），并将所有断层扫描图像（后缀为 .mrc 或 .rec）移动到子文件夹中。

然后运行以下命令生成star文件：

isonet.py prepare_star tomoset --output_star hiv_tomo.star --pixel_size 10.8 

如果不使用 GUI，请打开 hiv_tomo.star，并在第四列中为每个断层图像输入一个散焦值。此值应为以埃为单位的 0 度倾斜图像计算出的近似散焦值。编辑后，star 文件应如下所示。

注意，此值仅适用于 CTF 反卷积，如果您想跳过 CTF 反卷积步骤，尤其是当断层图像是由相位板获取的或者断层图像已经过 CTF 校正时，请将此列保留为默认值 0。在这个版本的 IsoNet 中，我们不考虑不同倾斜图像之间的散焦变化，因为 IsoNet 目前尚未针对高分辨率重建进行优化。当文件夹中有多个断层图像时，在使用 isonet.py prepare_star 命令生成断层图像星文件后，应使用文本编辑器（或在 IsoNet GUI 中）在星文件中调整每个断层图像的散焦参数（以埃为单位）。

此步骤不仅减少了 CTF 伪影，还增强了低分辨率信号，使训练更容易。
此步骤是可选的，对于使用相位板获取的断层图像&#