RELION5子断层平均

RELION5.0开发了一套新的完整的Subtomogram averaging流程,从收集的mdoc文件和原始Movies数据开始,可以到最终使用Model Angelo的自动模型构建结束。教程使用5套HIV-1 dMACANC VLPs的Tilt Series测试数据集,原始数据可以在EMPIAR数据库EMPIAR-10164下载TS_01,TS_03,TS_43,TS_45,TS_54五套照片以及mdoc文件。

RELION5官方教程

导入数据

首先创建一个测试用的目录relion_tomo_tutorial,将下载的数据集放进来。创建一个mdoc目录并把mdoc文件放进去,创建一个frames目录并把所有照片放进去。

应该是这样一个目录结构:

relion_tomo_tutorial

└───mdoc
│      TS_01.mrc.mdoc
|      TS_03.mrc.mdoc
│      TS_43.mrc.mdoc
|      TS_45.mrc.mdoc
│      TS_54.mrc.mdoc
│   
└───frames
│      TS_01_000_0.0.mrc
|      TS_01_000_3.0.mrc
│      TS_01_000_-3.0.mrc
|      ...
│      TS_03_000_0.0.mrc
│      TS_03_000_3.0.mrc
|      TS_03_000_-3.0.mrc
│      ...

然后进入自己的工作目录,打开RELION TOMO的界面:

cd path/to/relion_tomo_tutorial
relion --tomo

点击左侧Import,在General版块中:

Tilt image files: frames/*.mrc
mdoc files: mdoc/*.mdoc
Pixel size: 0.675
Voltage: 300
Spherical aberration: 2.7
Optics group name: optics1

Tilt serials版块中,

Dose rate per tilt: 3
Tilt axis angle: 85

这些是这套测试数据的参数,实际的数据根据自己电镜参数修改。点击Run。如果正常成功,Log中应该出现Wrote STAR files for 5 tilt-series.

漂移校正

对收集的Muti-frames照片进行漂移校正,可以用MotionCor2或者RELION5自带的算法,这里就直接用自带的了。

点击左侧Motion correction,在I/O版块中:

Input tilt serials: Import/job001/tilt_series.star    # Browse选择刚刚Import生成的star文件
EER fractionation: 32    # 默认的不用改,因为这套数据不是eer格式的。但是如果收的eer格式,就对应方法改就行
Write output in float16?: Yes    # 推荐Yes节省空间
Save sum of power spectra?: Yes    # 非剂量加权功率谱总和可为CTF估算提供更好的信号。另外,CTFFIND4无法读取float16照片,因此选了float16就必须选
Save images for denoising?: Yes    # 这套测试数据质量很好,不需要Denoise也有很好的衬度。如果后续需要用cryoCARE做Denoise,选Yes会单独存一份

Motion版块中:

B-factor: 150    # 根据自己数据的信噪比可以适当调高,测试数据质量很好,默认不用改
Number of pathes X, Y: 1 1    # tomo数据每帧电子剂量很低,最好不用patches
Binning factor: 2    # 测试数据是super-resolution模式收集的,bin2后pixel size是1.35Å
Gain-reference image:    # 测试数据已经gain-corrected了,如果有gain这里选gain。Gain rotation和flip也是按自己情况选
Use RELION’s own implementation: Yes    # 这里选择用RELION自带的算法

Running版块中选择合适数量的MPI和Threads,然后点击Run。一般几分钟就做完了。

CTF计算

然后使用CTFFIND-4.1,可以在CTF estimation (ctffind, ctftilt) | The Grigorieff Lab找到对应版本并下载到本地,是一个单独的可执行文件。

点击左侧CTF estimation,在I/O版块中:

Input tilt serials: Import/job002/corrected_tilt_series.star    # Browse选择刚刚做完motion的文件

CTFFIND-4.1版块中:

CTFFIND-4.1 executable: /path/to/ctffind    # 选择下载的ctffind可执行文件
Use power spectra from MotionCorr job?: Yes    # 使用刚刚Motion correction job生成的PS
Minimum resolution (A): 50    # CTF estimation的最低分辨率。根据自己的数据集修改
Maximum defocus value (A): 5    # CTF estimation的最高分辨率。根据自己的数据集修改
Minimum defocus value (A): 5000
Maximum defocus value (A): 50000
Defocus step size (A): 500
Nominal defocus search range (A): 10000  # 如果给的是正值,会忽略上面三个参数,而使用mdoc文件中提供的defocus的±此值来搜索defocus。

Running版块中选择合适数量的MPI,然后点击Run。一般几十秒就做完了。

筛选照片

通常,Tilt series中的一些角度的照片有一些问题,比如载网挡住了视线导致一些全黑的视角。我们可以使用 Exclude tilt-images任务将这些图像移除。

Input tilt series: CtfFind/job003/tilt_series_ctf.star
Number of cached tilt series: 5    # 这个是一次缓存几张照片供挑选,卡顿的话可以减小

点击Run,会弹出Napari的窗口。右侧是每个倾转角的照片,如果有不想要的将其左侧的勾去掉就行,然后点击右下角的Save star file。一般重点关注一下大倾角的位置有没有被挡住,像TS_01和TS_43的-60°的照片就是完全黑的,排除掉。

对齐tilt-series

RELION5包装了对AreTomo2和Imod的接口,用于方便地进行断层图对齐。由于这套测试数据添加了金基准颗粒,可以用Imod进行对齐。实际可以对比不同方法的结果来选择。

点击左侧Align tilt-series,在I/O版块中:

Input tilt series: ExcludeTiltImages/job004/selected_tilt_series.star
Batchruntomo executable: # 在安装的IMOD/bin下有一个batchruntomo可执行文件,选它
AreTomo2: # AreTomo2编译完就是一个可执行文件。这里我们不用它,不管它也行

IMOD版块中:

Use IMOD’s fiducial based alignment?: Yes
Fiducal diameter (nm): 10
Use IMOD’s patch-tracking for alignment?: No

Running版块中选择合适数量的MPI,点击Run

重构断层图

对齐了之后就可以重构出断层图了。

点击左侧Reconstruct tomograms,在I/O版块中:

Input tilt series: AlignTiltSeries/job005/aligned_tilt_series.star
Generate tomograms for denoising?: Yes  # 为了后面示范Denoise

Reconstruct版块中:

Unbinned tomogram width (Xdim): 4000
Unbinned tomogram heigth (Ydim): 4000  # 测试数据的大小是3710 x 3838,这里用的X和Y数值比它略大,确保覆盖所有像素
Unbinned tomogram thickness (Zdim): 2000  # 2000对于测试数据厚度合适,自己的数据可以试几个不同的值看看
Binned pixel size (A): 10  # bin来减少运算量和存储压力,一般也足以用于挑颗粒

去噪

RELION5包装了cryoCARE的接口用来调用cryoCARE对断层图去噪,需要先安装cryoCARE。

只有在前面Motion correctionSave images for denoising?Reconstruct tomogramsGenerate tomograms for denoising?都设置为Yes时,才能进行Denoise。

Denoise分为两步,用的都是同一个Job,设置不同参数。第一步是训练神经网络,第二步是将训练好的神经网络应用到所有层析图上,得到去噪后的层析图。

选择左侧的Denoise tomogram,在I/O面板:

Input tomograms.star: Tomograms/job006/tomograms.star
Directory with cryoCARE execuables:  # 选择安装cryoCARE的目录
Which GPU to use: 0

CryoCARE: Train面板:

Train denoising model: Yes
Tomograms for model training: TS_01:TS_03:TS_43:TS_45:TS_54  # 用冒号隔开,输入的是Tilt series的前缀名称
Number of sub-volumes per tomogram: 1200
Sub-volume dimensions (px): 72

CryoCARE: Predict面板:

Generate denoised tomograms: No

点击Run。训练需要的时间比较久,需要个把小时吧。

训练完成后就可以Predict了。

重新再次选择左侧的Denoise tomogramI/O面板不变,在CryoCARE: Train面板:

Train denoising model: No

CryoCARE: Predict面板:

Generate denoised tomograms: Yes
Path to denoising model: Denoise/job007/denoising_model.tar.gz  # 选择刚刚训练Job的这个tar.gz压缩文件模型

点击Run。预测就很快了,几分钟就好了。

去噪的图像可以用IMOD或者Napari等软件查看,去噪的断层图仅仅用来挑选颗粒。

挑选颗粒

tomogram的话到重构断层图就可以了,然后可以用别的软件进行segment。如果要后续做sub-tomogram averaging,挑选颗粒算是一个重要的也是困难的地方。RELION5-TOMO内有一个基于Napari的手动颗粒挑选程序,目前支持三种方式挑选颗粒:一是球体挑选,适合用于病毒表面蛋白;二是细丝挑选,适合一些filaments的结构;三是直接手动挑选蛋白颗粒,适合一些随机空间分布的比如核糖体颗粒;另外还有一个没开发完的方法,基于膜表面的颗粒挑选,这个选项,但是暂时还用不了,不要选它。

选择左侧的Pick tomograms,在I/O面板:

Input tomograms.star: Denoise/job008/tomograms.star
Picking mode: sphere  # 还有particles, filaments和surfaces,这套数据是病毒,因此选sphere
Particle spacing (A): 60  # HIV衣壳蛋白间距在75Å,选择小一点以免错过颗粒
Input particles.star (optional):  # 可以加载现有的颗粒坐标文件,模式默认为particles

点击Run,会打开Napari的界面。

左下角显示了选择不同断层图列表和保存按钮。

  1. 鼠标左键旋转视图。

  2. 在主界面上Alt+左键可以添加一个球,按R键可以修改球的半径,将其半径扩大到你的鼠标的位置。

  3. 按N键可以完成添加,选择下一个球,否则再按Alt+左键就是移动球的位置。

  4. 按Shift+左键拖拽可以在Z轴移动,在不同的倾角照片上挑选位置。

我们要做的就是通过移动Z轴,找到病毒看起来半径最大的样子,这个Z值就是它的中心截面,此时添加一个球,并修改半径使其和病毒一样大,这样就会在这个球的表面间隔一定距离自动挑选颗粒。将所有断层图都挑选完,保存并关闭窗口。

如果是filaments,那么就用Alt+左键勾勒filament轨迹,N键添加新的。

Particles就更简单,直接添加就行。

提取颗粒

有了颗粒坐标,就可以从Tilt series提取颗粒。不同于单颗粒,由于是tomogram,因此提取颗粒的形式可以是3D volume,也可以是2D image stack,为了区别于真正的3D tomogram,将这称为pseudo-subtomograms

2D image stack占用更少硬盘空间,而且在重构和refine过程中省去了在三维空间进行插值的步骤,避免引入一些artifacts,在后续3D refine中结果一般会更好一点,RELION5默认改成推荐使用2D image stack。(在3D intial reference的VDAM算法中,3D的效果可能会好一些)

为方便调用,pseudo-subtomograms在RELION里使用一个optimisation set的STAR文件来统一描述,融合了particle star和tomogram star(如果做Bayesian polishing还有trajectory star)。在做完Bayesian polishingCTF refinement后需要重新提取pseudo-subtomograms。

选择左侧Extract subtomo任务,在I/O面板:

Input optimisation set: Picks/job009/optimisation_set.star
OR: use direct entries?: No
Input particle set: 
Input tomogram set:
Input trajectory set:

Reconstruct面板:

Binning factor: 6
Box size (binned pix): 192
Cropped box size (binned pix): 96  # 在CTF pre-multiplication后,最终实际的提取尺寸
Maximum dose (e/A^2): 50  # 高于此剂量的Tilt series将被pseudo-subtomogram排除
Minimum nr.frames: 1  # 最少要在这个数量的frame中可见的颗粒才被提取
Write output as 2D stacks?: Yes
Write output in float16?: Yes

Running版块中选择合适数量的MPI,点击Run。在Extract subtomoReconstruct particleCTF refinementBayesian polishing中,每个MPI会处理一套数据,设置数量不要超过tomogram数量。

导入颗粒坐标

和上面一步提到的一样,颗粒挑选在实际数据中并不一定那么简单,也可以结合别的的软件来挑选,比如TomoTwin,DeePiCt,DeepFinder,CrYOLO,STOPGAP,MemBrain等。这一步在本套教程中不需要做。

假设坐标文件在PARTICLE_COORDS目录下,每个tomogram对应一个例如rec_TS_01.coords、rec_TS_03.coords的文件。

点击左侧Import,在Coordinate版块中:

Or Import coordinates instead?: Yes
Input coordinates?: PARTICLE_COORDS/rec_TS_*
Remove substring from filenames: rec_
Second substring to remove: .coords
Text files contain centered coordinates?: No
Multiply coords in text files with: 7.407407  # 如果坐标是相对于去噪图的,因为bin过,所以要乘以(10÷1.35),这样才能对应上Motion correction的原始图大小
Add this to coords in text files: 0

在这个Job中就可以找到创建的particles.star文件,可以用于后续的Extract subtomos任务:

Input optimisation set:
OR: use direct entries?: Yes
Input particle set: Import/jobXX/particles.star
Input tomogram set: Denoise/job008/tomograms.star

初始三维模型生成

由于前面在挑选颗粒是用sphere模式在球体表面挑选颗粒,因此理论上是有大致的初始角度信息的,即垂直于球体表面。所以可以直接在先验知识上进行三维重构。

这里给了一个演示,如何用VDAM算法在没有任何先验知识的情况下生成Reference map。

选择左侧3D intial reference任务,在I/O面板:

Extract/job010/optimisation_set.star

CTF面板不用改,在Optimisation面板:

Number of VDAM mini-batches: 100  # 迭代循环次数
Regularisation parameter T: 4  # 实验数据和先验数据的权重,初始重构用2-4比较合适
Number of classes: 1  # 这套数据均一性很好。另外的情况下增大这个数有可能将一些次优的颗粒剔除到另一个类
Mask diameter (A): 500
Flatten and enforce non-negative solvent: Yes
Symmetry: C6  # 这个蛋白是C6对称性的,这个根据自己蛋白的情况选择
Run in C1 and apply symmetry later: Yes  # 在实际refine中不添加对称性收敛的会更好,在refine之后再添加对称性
Prior width on tilt angle (deg): 10  # 因为知道颗粒是垂直于球体表面的,所以可以给出这个先验角度

Compute面板:

根据服务器性能适当修改,选择合适的GPU

MPI面板:

Number of MPI procs: 1  # 这个算法对于多MPI支持不是很好

点击Run。这个运行时间比较久,得个把小时。

三维重构

通过使用颗粒文件中给出的位置和方向对颗粒进行平均,从颗粒集生成Reference map。由于这里用sphere方式挑选的颗粒是可以获得理论先验角度信息的,因此也可以使用之前提取的颗粒直接重构。

选择左侧Reconstruct particle任务,在I/O面板:

Input optimisation set: Extract/job010/optimisation_set.star
OR: use direct entries: No
Input particle set:
Input tomogram set:
Input trajectory set:

Average面板:

Binning factor: 6
Box size (binned pix): 192
Cropped box size (binned pix): 96
Wiener SNR constant: 0
Symmetry: C6

Running版块中选择合适数量的MPI,点击Run

在bin6下初始3D refine

通过前面生成了Reference map,就可以用3D auto-refine进行refine。由于Sub-tomo占用更多内存资源,建议从高bin值逐渐降低到1。这里我们先直接用之前的bin 6的数据集。

选择左侧3D auto-refine任务,在I/O面板:

Input optimisation set: Extract/job010/optimisation_set.star
OR: use direct entries?: No
Input particle set:
Input tomogram set:
Input trajectory set:
Reference map: Reconstruct/job011/merged.mrc
Reference mask (optional):

Reference面板:

Ref. map is on absolute greyscale?: Yes
Resize reference if needed?: Yes
Initial low-pass filter (A): 60
Symmetry: C6

Optimisation面板:

Mask diameter (A): 500  # 因为第一轮refine用的96的box(96×8.1=777.6Å),所以需要一个大一点的mask,等后面再继续缩小mask和bin推高分辨率

Auto-sampling面板:

Prior width on tilt angle (deg): 10  # 类似于前面3D intial说的

Compute版块选择GPU和算力,Running版块中选择合适数量的MPI和threads。注意这个任务至少需要3个MPI,一个作为leader,另外两个处理两个half-sets,且最好是奇数。点击Run

在bin2下3D refine

算完这轮之后可以再从bin6提高到bin2继续提高分辨率。

  1. 提取颗粒

重新提取bin2的颗粒,选择Extract subtomos,在I/O版块:

Input optimisation set: Refine3D/job012/run_optimisation_set.star

Reconstruct版块,这次给binning factor为2:

Binning factor: 2
Box size (binned pix): 256
Cropped box size (binned pix): 128

其它参数和之前提取颗粒一样。Run

  1. 重构颗粒

同样,我们还需要一个bin2下的Reference,选择Reconstruct particle,在I/O面板:

Input optimisation set: Extract/job013/optimisation_set.star
OR: use direct entries?: No

Average面板:

Binning factor: 2
Box size (binnied pix): 256
Cropped box size (binned pix): 128
Symmetry: C6

其它参数和之前初始三维模型生成一样。Run

  1. Refine

接下来就可以在bin2下再做一次3D auto-refine了,在I/O面板:

Input optimisation set: Extract/job013/optimisation_set.star  # bin2的颗粒
OR: use direct entries?: No
Reference map: Reconstruct/job014/half1.mrc

Reference面板:

Ref. map is on absolute greyscale?: Yes
Resize reference if needed?: Yes
Initial low-pass filter (A): 20  # 略低于上一步refine达到的分辨率
Symmetry: C6

Optimisation面板:

Mask diameter (A): 230  # 因为第一轮refine用的96的box(96×8.1=777.6Å),所以需要一个大一点的mask,等后面再继续缩小mask和bin推高分辨率

选择合适的GPU、MPI和Threads,Run

删除重复颗粒

在继续bin1下进行最终refine之前,可能需要丢弃那些重复的颗粒或者低质量的颗粒,确保最后的refine能推进到更高分辨率并且避免虚高的分辨率。

选择左侧的Subset selection任务,在I/O选项卡内填入particle栏:

OR select from particles.star: Refine3D/job015/run_data.star

Duplicate选项卡:

OR: remove duplicates?: Yes
Minimum inter-particle distance(A): 30  # 两个衣壳蛋白理论相距75Å左右,所以位置大约小于一半这个值的颗粒有可能就是一个颗粒

三维分类

通过remove duplicate删除了重复的颗粒,还可以再通过三维分类来去除低质量的颗粒,为后续最后的高分辨率重构做准备。

选择3D classification任务,在I/O选项卡:

Input optimisation set:
OR: use direct entries?: Yes  # 我们对颗粒进行了删除,因此不能直接用optimisation set了
Input particle set: Select/job016/particles.star
Input tomogram set: Denoise/job008/tomograms.star  # Tomogram还是一样
Reference map: Refine3D/job015/run_class001.mrc

Reference选项卡:

Initial low-pass filter (A): 60
Symmetry: C1  # 不是为了推分辨率,所以给C1还能去掉一些非对称的坏颗粒

Optimisation选项卡:

Number of classes: 9  # 考虑自己的机器算力,分类越多需要更多的计算成本
Mask diameter (A): 230

Sampling选项卡:

Perform image alignment?: Yes
Angular sampling interval: 1.8 degrees
Perform local angular searches?: Yes  # 为了搜索那些和Reference对齐的颗粒而不是分出更多状态
Prior width on tilt angle (deg): 10

设置GPU、MPI和Threads,Run。可能需要几个小时。

完成后通过Display可以查看结果。

通过Subset selection这个任务,可以挑出想留下的类,在I/O选择:

Select classes from job: Class3D/job017/run_it025_optimiser.star

其它的选项保持默认值,注意之前删除重复颗粒时调整过remove duplicates?这个参数给它改回去No。

Run弹出UI设置展示参数,点击Display,然后选择好的类(红色框起来),右键点击Save selected classess来保存选择结果。关闭窗口。

在bin1下3D refine

类似地,需要重新提取颗粒并生成Reference map,在Extract subtomosReconstruct particle各自的任务下都选择来自三维分类的挑选的颗粒和原来的tomogram:

Input optimisation set:
OR: use direct entries?: Yes
Input particle set: Select/job018/particles.star
Input tomgoram set: Denoise/job008/tomograms.star
Input trajectory set:

Extract subtomosReconstruct选项卡和Reconstruct particleAverage选项卡中,分别都选择binnig factor 1:

Binning factor: 1
Box size (binned pix): 512
Cropped box size (binned pix): 192

再次选择3D auto-refine任务,在I/O选项卡中:

Input optimisation set: Extract/job020/optimisation_set.star
Reference map: Reconstruct/job021/half1.mrc  # 当提供的Reference map名字为*half?*.mrc时,两个halfmap会自动分配给对应的half-set
Reference mask (optional): mask_align.mrc

Reference选项卡中:

Ref. map is on absolute greyscale?: Yes
Resize reference if needed?: Yes
Initial low-pass filter (A): 5.5 # 低通滤波到略高于上一步bin2得到的分辨率,这里时在bin2条件下Nyquist分辨率极限(2倍pixel size)
Symmetry: C6

Optimisation选项卡中:

Mask diameter (A): 230
Mask individual particles with zeros?: Yes
Use solvent-flattened FSCs?: Yes  # 使用提供的reference_mask,改善FSC评估
Use Blush regularisation?: No

Auto-sampling选项卡中:

Initial angular sampling: 1.8 degrees

然后选择适当的计算资源Run

Post-processing

结束后可以再次通过Subset selection来剔除间隔小于50Å的颗粒确保没有重复颗粒,然后用Reconstruct particle重构新的reference。

mask可以在ChimeraX或者Dynamo之类的软件内做,RELION也提供了一个程序做mask。

选择Mask creation,在I/O里:

Input 3D map: Refine3D/job0xx/run_class001.mrc

Mask选项卡里:

Lowpass filter map (A): 15
Pixel size (A): -1
# 下面三个值对map进行的处理需要根据实际情况反复调整一下,可以用ChimeraX等软件打开map调整threshold以及结果mask看看效果
Intial binarisation threshold: 0.01
Extend binary map this many pixels: 3
Add a soft-edge of this many pixels: 8

点击Run,多尝试几种参数,并查看生成的mask,直到生成一个不错的mask。

通过Post-processing来进行sharpen并在tight-mask下进行FSC分辨率评估,在I/O选项卡中:

One of the 2 unfiltered half-maps: Reconstruct/job025/half1.mrc
Solvent mask: mask_fsc.mrc  # 这个tight mask应该仅包含目的蛋白区域

到这里理论能达到4Å的分辨率map。

Tomo refinement

接下来还可以基于颗粒对CTF、倾转角度、漂移等优化,包括CTF refinementBayesian polishing,做着两个任务的顺序不重要,并且可以反复进行多轮优化。

选择CTF refinement,在I/O选项卡:

Input optimisation set:
OR: use direct entries?: Yes  # 因为前面remove duplicate了,否则可以直接用3D auto-refine的optimisation set
Input particle set: Select/job024/particles.star
Input tomogram set: Denoise/job008/tomograms.star
Input trajectory set:  # 第一轮可以没有,Bayesian polishing会生成motion.star,如果包含在optimisation set也行
One of the 2 reference half-maps: Reconstruct/job025/half1.mrc
Reference mask: mask_align.mrc
Input postprocess STAR: PostProcess/job026/postprocess.star

Defocus选项卡:

Box size for estimation (pix): 512
Refine defocus?: Yes
Defocus search range (Å): 3000
Do defocus regularisation?: Yes
Defocus regularsation lambda: 0.1
Refine constrast scale?: Yes
Refine scale per frame?: Yes
Refine scale per tomogram?: No

选择MPI和Threads,Run。结束后用这个生成的optimisation_set.star进行Reconstruct particlePost-processing,官方描述能到3.87Å。生成的reference map和postprocess文件可以用于后面Bayesian polishing

选择Bayesian polishing,在I/O面板:

Input optimisation set: CtfRefine/job027/optimisation_set.star
OR: use direct entries?: No
One of the 2 reference half-maps: Reconstruct/job028/half1.mrc
Reference mask: mask_align.mrc
Input postprocess STAR: PostProcess/job029/postprocess.star

Polish面板:

Box size for estimation (pix): 512
Max position error (pix): 5
Align by shift only?: No

Motion面板:

Fit per-particle motion?: Yes
Sigma for velocity (Å/dose): 0.2
Sigma for divergence (Å): 5000
Use Gaussian decay: No

选择MPI和Threads,Run。结束以后会在结果里发现tomograms.starparticles.starmotion.star三个文件,用这三个可以重新Extract subtomos,然后再Reconstruct particlePost processing,最终能到达3.65Å分辨率。

自动原子建模

RELION5中集成了ModelAngelo,这也是RELION作者Sjors Scheres课题组自己开发的自动原子建模软件,能基于map自动搭建pdb结构。

虽然支持未知建模,但是如果已知氨基酸序列文件更好,在RCSB PDB数据库能找到并下载这套数据蛋白的fasta序列文件链接

选择ModelAngelo,在I/O面板:

B-factor sharpened map: PostProcess/job079/postprocess_masked.mrc
FASTA sequence for proteins: rcsb_pdb_5L93.fasta

如果没有序列,也可以通过序列比对HMMer序列搜索。

留下评论

您的邮箱地址不会被公开。 必填项已用 * 标注