論文の概要: Deep Generative Modeling for Volume Reconstruction in Cryo-Electron
Microscop
- arxiv url: http://arxiv.org/abs/2201.02867v1
- Date: Sat, 8 Jan 2022 17:45:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-12 05:59:06.870928
- Title: Deep Generative Modeling for Volume Reconstruction in Cryo-Electron
Microscop
- Title(参考訳): cryo-electron microscopにおけるボリューム再構成のための深部生成モデル
- Authors: Claire Donnat, Axel Levy, Frederic Poitevin, Nina Miolane
- Abstract要約: 低温電子顕微鏡(cryo-EM)による生体分子の高分解能イメージングにおける新たなブレークスルーは、分子体積の再構築のための新しいドアを開放した。
長い道のりにもかかわらず、Cryo-EMデータ分析における大きな課題は、自然界において厳密で複雑な学際的なままである。
生成モデルとエンドツーエンドの教師なしディープラーニング技術を組み合わせた次世代のボリューム再構成アルゴリズムは、シミュレーションデータに対して有望な結果を示した。
- 参考スコア(独自算出の注目度): 4.014524824655106
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent breakthroughs in high resolution imaging of biomolecules in solution
with cryo-electron microscopy (cryo-EM) have unlocked new doors for the
reconstruction of molecular volumes, thereby promising further advances in
biology, chemistry, and pharmacological research amongst others. Despite
significant headway, the immense challenges in cryo-EM data analysis remain
legion and intricately inter-disciplinary in nature, requiring insights from
physicists, structural biologists, computer scientists, statisticians, and
applied mathematicians. Meanwhile, recent next-generation volume reconstruction
algorithms that combine generative modeling with end-to-end unsupervised deep
learning techniques have shown promising results on simulated data, but still
face considerable hurdles when applied to experimental cryo-EM images. In light
of the proliferation of such methods and given the interdisciplinary nature of
the task, we propose here a critical review of recent advances in the field of
deep generative modeling for high resolution cryo-EM volume reconstruction. The
present review aims to (i) compare and contrast these new methods, while (ii)
presenting them from a perspective and using terminology familiar to scientists
in each of the five aforementioned fields with no specific background in
cryo-EM. The review begins with an introduction to the mathematical and
computational challenges of deep generative models for cryo-EM volume
reconstruction, along with an overview of the baseline methodology shared
across this class of algorithms. Having established the common thread weaving
through these different models, we provide a practical comparison of these
state-of-the-art algorithms, highlighting their relative strengths and
weaknesses, along with the assumptions that they rely on. This allows us to
identify bottlenecks in current methods and avenues for future research.
- Abstract(参考訳): 低温電子顕微鏡(cryo-EM)による生体分子の高分解能イメージングの最近の進歩は、分子体積の再構築のための新しい扉を開放し、生物学、化学、薬理学研究のさらなる進歩を約束している。
重要な道のりにもかかわらず、Cryo-EMデータ分析における大きな課題は、物理学者、構造生物学者、計算機科学者、統計学者、応用数学者からの洞察を必要とする、自然界における厳密で複雑な学際的な課題のままである。
一方, 生成モデルとエンドツーエンドの教師なし深層学習技術を組み合わせた次世代のボリューム再構成アルゴリズムでは, シミュレーションデータに対して有望な結果が得られた。
そこで本稿では,このような手法の普及と課題の学際的性質を踏まえ,高分解能cryo-emボリューム再構成のための深部生成モデリングの最近の進歩を批判的に検討する。
本日のレビューは
(i)これらの新しい方法を比較して対比する一方で
(ii)cryo-emの特定の背景を持たない5つの分野の科学者に親しみやすい用語を用いて、視点から提示すること。
このレビューは、Creo-EMボリューム再構成のための深部生成モデルの数学的および計算的課題の紹介と、このクラスのアルゴリズム間で共有されるベースライン方法論の概要から始まる。
これらの異なるモデルを通して共通のスレッドウィービングを確立し、これらの最先端のアルゴリズムを実践的に比較し、それらが依存する仮定とともに、それらの相対的な強みと弱みを強調します。
これにより、将来の研究のための現在の方法や道のボトルネックを特定できます。
関連論文リスト
- Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳(メタデータ) (2023-03-07T09:40:22Z) - Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。
データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。
比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
論文 参考訳(メタデータ) (2022-04-09T13:04:36Z) - K-space and Image Domain Collaborative Energy based Model for Parallel
MRI Reconstruction [21.317550364310343]
磁気共鳴(MR)画像取得時間の減少は、MRI検査をよりアクセスしやすくする可能性がある。
そこで我々は,K空間と画像領域の協調生成モデルを提案し,アンダーサンプル計測からMRデータを包括的に推定する。
実験による最先端技術との比較により, 提案手法は再構成における誤差が少なく, 異なる加速度因子下では安定であることがわかった。
論文 参考訳(メタデータ) (2022-03-21T07:38:59Z) - SHREC 2021: Classification in cryo-electron tomograms [13.443446070180562]
低温電子トモグラフィ(Cryo-ET)は、マクロ分子集合体の3次元可視化を可能にするイメージング技術である。
Cryo-ETには、主に低信号のノイズと、すべての角度から画像を取得することができない、いくつかの課題がある。
トモグラフィーにおける生体高分子の局在化と分類の異なる方法のベンチマークを行うための,新しいシミュレーションデータセットを生成する。
論文 参考訳(メタデータ) (2022-03-18T16:08:22Z) - The Preliminary Results on Analysis of TAIGA-IACT Images Using
Convolutional Neural Networks [68.8204255655161]
本研究の目的は,AIGA-IACTに設定された課題を解決するための機械学習アプリケーションの可能性を検討することである。
The method of Convolutional Neural Networks (CNN) was applied to process and analysis Monte-Carlo eventssimulated with CORSIKA。
論文 参考訳(メタデータ) (2021-12-19T15:17:20Z) - MRI Reconstruction Using Deep Energy-Based Model [21.748514538109173]
本研究では, 深部エネルギーモデルによる自己逆方向の協調を生かした新たな正規化戦略を提案する。
再構成のための他の生成モデルとは対照的に,提案手法では,再構成前の画像として深部エネルギー情報を用いて画像の質を向上させる。
論文 参考訳(メタデータ) (2021-09-07T05:24:55Z) - 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) - Learning Neural Generative Dynamics for Molecular Conformation
Generation [89.03173504444415]
分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。
分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
論文 参考訳(メタデータ) (2021-02-20T03:17:58Z) - Artificial Intelligence Advances for De Novo Molecular Structure
Modeling in Cryo-EM [1.6301630538569722]
低温電子顕微鏡(cryo-EM)は、大きなタンパク質複合体と分子集合体の構造を決定するための主要な実験技術となっている。
機械学習(ML)とディープラーニング(DL)は、マクロ分子構造モデリングにおいて最も優れた手法である。
このレビューは、デノボ分子構造モデリングのための人工知能に関する最新の研究の入門ガイドを提供する。
論文 参考訳(メタデータ) (2021-02-11T17:06:20Z) - Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。
ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。
提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
論文 参考訳(メタデータ) (2020-08-05T15:45:54Z)
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。