論文の概要: Learning to automate cryo-electron microscopy data collection with Ptolemy

• arxiv url: http://arxiv.org/abs/2112.01534v1
• Date: Wed, 1 Dec 2021 22:39:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-07 08:38:20.808268
• Title: Learning to automate cryo-electron microscopy data collection with Ptolemy
• Title（参考訳）: Ptolemyによる低温電子顕微鏡データ収集の自動化
• Authors: Paul T. Kim, Alex J. Noble, Anchi Cheng, Tristan Bepler
• Abstract要約: 低温電子顕微鏡(cryo-EM)は、生体高分子の近原・近原子分解能3次元構造を決定する主要な方法として登場した。 現在,高磁化Cryo-EMマイクログラフの収集には,パラメータの入力と手動チューニングが必要である。 そこで我々は,目的のアルゴリズムを用いて,低・中規模のターゲットを自動生成する最初のパイプラインを開発した。
• 参考スコア（独自算出の注目度）: 4.6453787256723365
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Over the past decade, cryogenic electron microscopy (cryo-EM) has emerged as a primary method for determining near-native, near-atomic resolution 3D structures of biological macromolecules. In order to meet increasing demand for cryo-EM, automated methods to improve throughput and efficiency while lowering costs are needed. Currently, the process of collecting high-magnification cryo-EM micrographs, data collection, requires human input and manual tuning of parameters, as expert operators must navigate low- and medium-magnification images to find good high-magnification collection locations. Automating this is non-trivial: the images suffer from low signal-to-noise ratio and are affected by a range of experimental parameters that can differ for each collection session. Here, we use various computer vision algorithms, including mixture models, convolutional neural networks (CNNs), and U-Nets to develop the first pipeline to automate low- and medium-magnification targeting with purpose-built algorithms. Learned models in this pipeline are trained on a large internal dataset of images from real world cryo-EM data collection sessions, labeled with locations that were selected by operators. Using these models, we show that we can effectively detect and classify regions of interest (ROIs) in low- and medium-magnification images, and can generalize to unseen sessions, as well as to images captured using different microscopes from external facilities. We expect our pipeline, Ptolemy, will be both immediately useful as a tool for automation of cryo-EM data collection, and serve as a foundation for future advanced methods for efficient and automated cryo-EM microscopy.
• Abstract（参考訳）: 過去10年にわたり、極低温電子顕微鏡(cryo-em)は、生体高分子のネイティブに近い近原子分解能3d構造を決定する主要な方法として登場してきた。 低温EMの需要の増加に対応するため,コスト削減を図りながらスループットと効率を向上する自動化手法が必要である。 現在、高精細度EMマイクログラフの収集プロセスであるデータ収集は、人間の入力とパラメータのマニュアルチューニングを必要としており、専門家は、優れた高精細度収集場所を見つけるためには、低精細度と中精細度の画像をナビゲートする必要がある。 画像は信号とノイズの比率が低く、収集セッション毎に異なる可能性のある実験パラメータによって影響を受ける。 ここでは、混合モデル、畳み込みニューラルネットワーク(CNN)、U-Netsなど、様々なコンピュータビジョンアルゴリズムを用いて、目的のアルゴリズムを用いた低・中規模のターゲットをターゲットとする最初のパイプラインを開発する。 このパイプラインで学習されたモデルは、実際のcryo-emデータ収集セッションのイメージの大規模な内部データセットでトレーニングされ、オペレータによって選択されたロケーションでラベル付けされる。 これらのモデルを用いて、低級・中級画像の関心領域(ROI)を効果的に検出・分類し、未知のセッションや外部施設から異なる顕微鏡を用いて撮像した画像に一般化できることを示す。 私たちは、当社のパイプラインであるptolemyが、cryo-emデータ収集の自動化ツールとしてすぐに役立ち、効率的かつ自動化されたcryo-em顕微鏡のための将来の先進的手法の基礎となることを期待しています。

関連論文リスト

• Automated Segmentation and Analysis of Microscopy Images of Laser Powder Bed Fusion Melt Tracks [0.0]
  断面画像から溶融トラック次元を自動的に識別し,計測する画像分割ニューラルネットワークを提案する。 我々は、U-Netアーキテクチャを用いて、異なる研究室、機械、材料から得られた62個の事前ラベル付き画像のデータセットと、画像拡張を併用したトレーニングを行う。
  論文  参考訳（メタデータ） (2024-09-26T22:44:00Z)
• Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement Learning [53.00683059396803]
  マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。 本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。 本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
  論文  参考訳（メタデータ） (2023-10-06T10:40:46Z)
• Automated Grain Boundary (GB) Segmentation and Microstructural Analysis in 347H Stainless Steel Using Deep Learning and Multimodal Microscopy [2.0445155106382797]
  オーステナイト347Hステンレス鋼は、極端な運転条件に要求される優れた機械的特性と耐食性を提供する。 CNNベースのディープラーニングモデルは、材料マイクログラフから機能を自動で検出する強力な技術である。 走査型電子顕微鏡(SEM)による347Hステンレス鋼のトレーニングデータと電子後方散乱(EBSD)マイクログラフを,粒界検出のためのピクセルワイドラベルとして組み合わせた。
  論文  参考訳（メタデータ） (2023-05-12T22:49:36Z)
• Optimizations of Autoencoders for Analysis and Classification of Microscopic In Situ Hybridization Images [68.8204255655161]
  同様のレベルの遺伝子発現を持つ顕微鏡画像の領域を検出・分類するためのディープラーニングフレームワークを提案する。 分析するデータには教師なし学習モデルが必要です。
  論文  参考訳（メタデータ） (2023-04-19T13:45:28Z)
• AMIGO: Sparse Multi-Modal Graph Transformer with Shared-Context Processing for Representation Learning of Giga-pixel Images [53.29794593104923]
  本稿では,スライド病理像全体に対する共有コンテキスト処理の新たな概念を提案する。 AMIGOは、組織内のセルラーグラフを使用して、患者に単一の表現を提供する。 我々のモデルは、データの20%以下で同じ性能を達成できる程度に、欠落した情報に対して強い堅牢性を示す。
  論文  参考訳（メタデータ） (2023-03-01T23:37:45Z)
• Leveraging generative adversarial networks to create realistic scanning transmission electron microscopy images [2.5954872177280346]
  機械学習は、自律的なデータ収集と処理を通じて材料研究に革命をもたらす可能性がある。 我々は,実空間周波数情報を用いたシミュレーションデータを増大させるために,相互空間判別器を備えたサイクル生成逆数ネットワーク(CycleGAN)を用いる。 完全な畳み込みネットワーク(FCN)をトレーニングして、450万個の原子データセット内の単一原子欠陥を同定することで、我々のアプローチを実証する。
  論文  参考訳（メタデータ） (2023-01-18T19:19:27Z)
• Application of the YOLOv5 Model for the Detection of Microobjects in the Marine Environment [101.18253437732933]
  海洋環境における微小物体の自動検出と認識の問題を解決するためのYOLOV5機械学習モデルの有効性について検討した。
  論文  参考訳（メタデータ） (2022-11-28T10:58:50Z)
• Generation of microbial colonies dataset with deep learning style transfer [0.0]
  深層学習モデルの学習に使用できるペトリ料理の微生物学的画像の合成データセットを作成するための戦略を導入する。 本手法は, 5種類の微生物の局在, セグメンテーション, 分類が可能なニューラルネットワークモデルのトレーニングに使用できる, リアルな画像のデータセットを合成できることを示す。
  論文  参考訳（メタデータ） (2021-11-06T03:11:01Z)
• A parameter refinement method for Ptychography based on Deep Learning concepts [55.41644538483948]
  伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。 最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。 我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
  論文  参考訳（メタデータ） (2021-05-18T10:15:17Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• Attention-guided Quality Assessment for Automated Cryo-EM Grid Screening [7.213084307941148]
  本稿では,Creo-EMグリッドの自動スクリーニングのための最初のディープラーニングフレームワークであるXCryoNetを提案する。 XCryoNetは、半教師付き、注意誘導型ディープラーニングアプローチであり、自動抽出された正方形画像の説明可能なスコアリングを提供する。 その結果、ラベル付きデータが不足している場合には、完全に教師されたソリューションと意図しないソリューションに対して、最大8%と37%の改善が見られた。
  論文  参考訳（メタデータ） (2020-07-10T20:11:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。