論文の概要: CryoAI: Amortized Inference of Poses for Ab Initio Reconstruction of 3D
Molecular Volumes from Real Cryo-EM Images
- arxiv url: http://arxiv.org/abs/2203.08138v2
- Date: Wed, 16 Mar 2022 04:25:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-17 11:30:19.221120
- Title: CryoAI: Amortized Inference of Poses for Ab Initio Reconstruction of 3D
Molecular Volumes from Real Cryo-EM Images
- Title（参考訳）: CryoAI:実際のCryo-EM画像から3次元分子ボリュームを初期再構成する可能性
- Authors: Axel Levy, Fr\'ed\'eric Poitevin, Julien Martel, Youssef Nashed,
Ariana Peck, Nina Miolane, Daniel Ratner, Mike Dunne, Gordon Wetzstein
- Abstract要約: 粒子ポーズの勾配に基づく最適化と単一粒子Creo-EMデータからの電子散乱電位を用いた等質コンフォーメーションのためのアブイニシアト再構成アルゴリズムであるCreoAIを紹介する。
CryoAIは、シミュレーションデータと実験データの両方に対して、最先端のCryo-EMソルバと同等の結果を得る。
- 参考スコア（独自算出の注目度）: 30.738209997049395
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cryo-electron microscopy (cryo-EM) has become a tool of fundamental
importance in structural biology, helping us understand the basic building
blocks of life. The algorithmic challenge of cryo-EM is to jointly estimate the
unknown 3D poses and the 3D electron scattering potential of a biomolecule from
millions of extremely noisy 2D images. Existing reconstruction algorithms,
however, cannot easily keep pace with the rapidly growing size of cryo-EM
datasets due to their high computational and memory cost. We introduce cryoAI,
an ab initio reconstruction algorithm for homogeneous conformations that uses
direct gradient-based optimization of particle poses and the electron
scattering potential from single-particle cryo-EM data. CryoAI combines a
learned encoder that predicts the poses of each particle image with a
physics-based decoder to aggregate each particle image into an implicit
representation of the scattering potential volume. This volume is stored in the
Fourier domain for computational efficiency and leverages a modern coordinate
network architecture for memory efficiency. Combined with a symmetrized loss
function, this framework achieves results of a quality on par with
state-of-the-art cryo-EM solvers for both simulated and experimental data, one
order of magnitude faster for large datasets and with significantly lower
memory requirements than existing methods.
- Abstract（参考訳）: クリオ電子顕微鏡(cryo-EM)は構造生物学において重要なツールとなり、生命の基本的な構成要素を理解するのに役立っている。
cryo-emのアルゴリズム上の課題は、未知の3dポーズと、非常にノイズの多い2d画像から生体分子の3d電子散乱ポテンシャルを共同で推定することである。
しかし、既存の再構成アルゴリズムは、計算コストとメモリコストが高いため、急速に増大するCryo-EMデータセットのサイズに容易に対応できない。
粒子ポーズの直勾配最適化と単一粒子Creo-EMデータからの電子散乱電位を用いた等質コンフォメーションのアブ初期再構成アルゴリズムであるCreoAIを導入する。
CryoAIは、各粒子画像のポーズを予測する学習エンコーダと物理ベースのデコーダを組み合わせて、各粒子画像を散乱ポテンシャル体積の暗黙の表現に集約する。
このボリュームは計算効率のためにフーリエ領域に格納され、メモリ効率のために現代の座標ネットワークアーキテクチャを利用する。
同期化損失関数と組み合わせて、このフレームワークは、シミュレーションデータと実験データの両方に対して最先端のCryo-EMソルバに匹敵する品質を達成し、大規模なデータセットでは1桁高速で、既存の手法よりもメモリ要求が大幅に低い。
関連論文リスト
- CryoSPIN: Improving Ab-Initio Cryo-EM Reconstruction with Semi-Amortized Pose Inference [30.195615398809043]
Cryo-EMは、高分子錯体の原子分解能3次元構造を決定する方法として人気が高まっている。
近年のCryo-EMの進歩は、アモートされた推論がポーズを予測するために使われている深層学習に焦点が当てられている。
本稿では,半アモタイズ法であるCryoSPINを提案する。この手法では,復元はアモタイズされた推論から始まり,自動デコードに切り替える。
論文 参考訳（メタデータ） (2024-06-15T00:44:32Z) - CryoMAE: Few-Shot Cryo-EM Particle Picking with Masked Autoencoders [8.896148074086762]
我々は,Cryo-EM画像における単一粒子の効率的な選択を可能にするために,数ショット学習に基づく新しいアプローチであるCryoMAEを紹介する。
従来のNNベースの手法とは対照的に、CryoMAEはトレーニングのために最小限の正の粒子画像しか必要としないが、粒子検出の性能は高い。
大規模なCryo-EMデータセットの実験では、CryoMAEは既存のSOTA(State-of-the-art)手法より優れており、3D再構成の解像度は最大22.4%向上している。
論文 参考訳（メタデータ） (2024-04-15T23:23:31Z) - CryoGEM: Physics-Informed Generative Cryo-Electron Microscopy [38.57626501108458]
物理インフォームド生成型低温電子顕微鏡(CryoGEM)を紹介する。
CryoGEMは、物理に基づくCryo-EMシミュレーションと生成不能ノイズ変換を統合して、現実的なノイズを生成する。
実験の結果,CryoGEMはCryo-EM画像を生成することができることがわかった。
論文 参考訳（メタデータ） (2023-12-04T07:52:56Z) - Passive superresolution imaging of incoherent objects [63.942632088208505]
手法は、Hermite-Gaussianモードとその重ね合わせのオーバーコンプリートベースで、画像平面内のフィールドの空間モード成分を測定することで構成される。
ディープニューラルネットワークは、これらの測定からオブジェクトを再構築するために使用される。
論文 参考訳（メタデータ） (2023-04-19T15:53:09Z) - CryoFormer: Continuous Heterogeneous Cryo-EM Reconstruction using
Transformer-based Neural Representations [49.49939711956354]
核電子顕微鏡(cryo-EM)は、タンパク質やその他の生体分子の3D構造を高分解能で再構築することを可能にする。
3次元構造の連続的な動きをノイズやランダムに配向した2次元Creo-EM画像から再構成することは依然として困難である。
我々はCryoFormerを提案する。CryoFormerは連続したヘテロジニアスCryo-EM再構成のための新しいアプローチである。
論文 参考訳（メタデータ） (2023-03-28T18:59:17Z) - Pixelated Reconstruction of Foreground Density and Background Surface
Brightness in Gravitational Lensing Systems using Recurrent Inference
Machines [116.33694183176617]
我々は、リカレント推論マシンに基づくニューラルネットワークを用いて、背景画像の歪みのない画像と、画素マップとしてのレンズ質量密度分布を再構成する。
従来のパラメトリックモデルと比較して、提案手法はより表現力が高く、複雑な質量分布を再構成することができる。
論文 参考訳（メタデータ） (2023-01-10T19:00:12Z) - Amortized Inference for Heterogeneous Reconstruction in Cryo-EM [36.911133113707045]
低温電子顕微鏡(cryo-EM)は、タンパク質やその他の生命の構成要素の力学に関する洞察を提供する。
生物分子のポーズ、3次元構造、配座の不均一性を共同で推定するアルゴリズムの課題は未解決のままである。
この方法であるCryoFIREは、不動化フレームワークで未知のポーズを伴って、ab initioheregeneous Restructionを行う。
精度を損なうことなく、何百万もの画像を含むデータセットに対して、1桁のスピードアップを提供できることを示す。
論文 参考訳（メタデータ） (2022-10-13T22:06:38Z) - Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。
事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。
実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
論文 参考訳（メタデータ） (2022-09-19T09:43:19Z) - Regularization by Denoising Sub-sampled Newton Method for Spectral CT
Multi-Material Decomposition [78.37855832568569]
スペクトルctを用いたマルチマテリアル画像再構成のためのモデルベース最大後課題の解決法を提案する。
特に,プラグイン画像復号化機能に基づく正規化最適化問題について提案する。
スペクトルct材料分解の数値的および実験的結果を示す。
論文 参考訳（メタデータ） (2021-03-25T15:20:10Z) - Cryo-ZSSR: multiple-image super-resolution based on deep internal
learning [14.818511430476589]
単一粒子低温電子顕微鏡 (cryo-EM) は、タンパク質やマクロ分子複合体を原子近傍の分解能で可視化できる新しい画像モダリティである。
本稿では,低SNR条件下での動作に特化して設計された深層学習に基づくマルチイメージSRアルゴリズムを提案する。
以上の結果から,低倍率画像と画像SRの組み合わせは,解像度を犠牲にすることなく,Cryo-EMデータ収集を加速させる可能性が示唆された。
論文 参考訳（メタデータ） (2020-11-22T14:04:54Z) - Limited-angle tomographic reconstruction of dense layered objects by
dynamical machine learning [68.9515120904028]
強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。
このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。
我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
論文 参考訳（メタデータ） (2020-07-21T11:48:22Z)
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。