論文の概要: SHREC 2021: Classification in cryo-electron tomograms
- arxiv url: http://arxiv.org/abs/2203.10035v1
- Date: Fri, 18 Mar 2022 16:08:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-21 15:02:56.826712
- Title: SHREC 2021: Classification in cryo-electron tomograms
- Title(参考訳): SHREC 2021: 低温電子トモグラフィーの分類
- Authors: Ilja Gubins, Marten L. Chaillet, Gijs van der Schot, M. Cristina
Trueba, Remco C. Veltkamp, Friedrich F\"orster, Xiao Wang, Daisuke Kihara,
Emmanuel Moebel, Nguyen P. Nguyen, Tommi White, Filiz Bunyak, Giorgos
Papoulias, Stavros Gerolymatos, Evangelia I. Zacharaki, Konstantinos
Moustakas, Xiangrui Zeng, Sinuo Liu, Min Xu, Yaoyu Wang, Cheng Chen, Xuefeng
Cui, Fa Zhang
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 13.443446070180562
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Cryo-electron tomography (cryo-ET) is an imaging technique that allows
three-dimensional visualization of macro-molecular assemblies under near-native
conditions. Cryo-ET comes with a number of challenges, mainly low
signal-to-noise and inability to obtain images from all angles. Computational
methods are key to analyze cryo-electron tomograms.
To promote innovation in computational methods, we generate a novel simulated
dataset to benchmark different methods of localization and classification of
biological macromolecules in tomograms. Our publicly available dataset contains
ten tomographic reconstructions of simulated cell-like volumes. Each volume
contains twelve different types of complexes, varying in size, function and
structure.
In this paper, we have evaluated seven different methods of finding and
classifying proteins. Seven research groups present results obtained with
learning-based methods and trained on the simulated dataset, as well as a
baseline template matching (TM), a traditional method widely used in cryo-ET
research. We show that learning-based approaches can achieve notably better
localization and classification performance than TM. We also experimentally
confirm that there is a negative relationship between particle size and
performance for all methods.
- Abstract(参考訳): クライオ電子トモグラフィ(Cryo-Electron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。
計算手法は低温電子断層解析の鍵となる。
計算手法の革新を促進するために,新しいシミュレーションデータセットを作成し,トモグラムにおける生体高分子の局在と分類の異なる手法をベンチマークする。
我々の公開データセットは、シミュレーションされた細胞様体積の10のトモグラフィー再構成を含んでいる。
各体積は12種類の異なる錯体を含み、サイズ、機能、構造が異なる。
本稿では,タンパク質の発見と分類の7つの方法を評価する。
7つの研究グループは、cryo-et研究で広く使われているベースラインテンプレートマッチング(tm)と同様に、学習に基づく手法で得られた結果を示し、シミュレーションデータセットでトレーニングする。
学習に基づくアプローチは, TMよりも, ローカライゼーションと分類性能が優れていることを示す。
また, 粒子径と全ての手法の性能に負の相関があることを実験的に確認した。
関連論文リスト
- CryoFM: A Flow-based Foundation Model for Cryo-EM Densities [50.291974465864364]
生成モデルとして設計された基礎モデルであるCryoFMについて,高品質密度マップの分布を学習する。
フローマッチングに基づいて構築されたCryoFMは、生物分子密度マップの以前の分布を正確に捉えるために訓練されている。
論文 参考訳(メタデータ) (2024-10-11T08:53:58Z) - CryoBench: Diverse and challenging datasets for the heterogeneity problem in cryo-EM [3.424647356090208]
核電子顕微鏡(cryo-EM)は、画像データから高分解能の3次元生体分子構造を決定するための強力な技術である。
ここでは、CryoBenchを紹介します。CryoBenchは、Cleo-EMにおける異種再構成のためのデータセット、メトリクス、ベンチマークのスイートです。
論文 参考訳(メタデータ) (2024-08-10T11:48:14Z) - Benchmark on Drug Target Interaction Modeling from a Structure Perspective [48.60648369785105]
薬物と標的の相互作用の予測は、薬物の発見と設計に不可欠である。
グラフニューラルネットワーク(GNN)やトランスフォーマーに基づく最近の手法は、さまざまなデータセットで例外的なパフォーマンスを示している。
我々は,GNNベースと暗黙的(トランスフォーマーベース)構造学習アルゴリズムを多用することにより,構造の観点からの薬物-標的相互作用モデリングの総合的な調査とベンチマークを行う。
論文 参考訳(メタデータ) (2024-07-04T16:56:59Z) - UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。
異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。
特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
論文 参考訳(メタデータ) (2024-02-20T11:50:27Z) - 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) - A Segmentation Method for fluorescence images without a machine learning
approach [0.0]
本研究では,細胞と核を同定するための決定論的計算神経科学アプローチについて述べる。
この方法は、正式に正しい関数に基づいて堅牢であり、特定のデータセットのチューニングに支障を来さない。
論文 参考訳(メタデータ) (2022-12-28T16:47:05Z) - Learning multi-scale functional representations of proteins from
single-cell microscopy data [77.34726150561087]
局所化分類に基づいて訓練された単純な畳み込みネットワークは、多様な機能情報をカプセル化したタンパク質表現を学習できることを示す。
また,生物機能の異なるスケールでタンパク質表現の質を評価するためのロバストな評価戦略を提案する。
論文 参考訳(メタデータ) (2022-05-24T00:00:07Z) - Multi-Modality Microscopy Image Style Transfer for Nuclei Segmentation [3.535158633337794]
本稿では,GAN(Generative Adversarial Network)に基づく顕微鏡的拡張手法を提案する。
他のスタイルの転送方法とは異なり、異なる細胞アッセイタイプや照明条件だけでなく、異なる画像モダリティも扱える。
我々は,様々な細胞アッセイ,照明条件,画像モダリティからなる2018年データサイエンスボウルデータセットを用いて,データ拡張を評価した。
論文 参考訳(メタデータ) (2021-11-23T20:19:20Z) - Cryo-shift: Reducing domain shift in cryo-electron subtomograms with
unsupervised domain adaptation and randomization [17.921052986098946]
サブトモグラムの分類と認識は、マクロ分子構造の体系的な回復の第一段階である。
教師付き深層学習法は, サブトモグラム分類において, 精度が高く, 効率的であることが証明されている。
我々は、ディープラーニングに基づくクロスドメインサブトモグラム分類のための、完全に教師なしのドメイン適応およびランダム化フレームワークであるCryo-Shiftを提案する。
論文 参考訳(メタデータ) (2021-11-17T13:43:36Z) - Cells are Actors: Social Network Analysis with Classical ML for SOTA
Histology Image Classification [1.4806818833792859]
本稿では,組織マイクロ環境の複雑な構造を記述するために,統計ネットワーク解析手法を提案する。
ネットワーク内の細胞間の相互作用のみを解析することにより、CRAグレーディングのための高度に識別可能な統計的特徴を抽出できることが示される。
我々は,広帯域CRCヒストロジー画像データセット上にセルネットワークを作成し,提案手法を実験し,三クラスCRAグレーディングの予測のための最先端性能を報告した。
論文 参考訳(メタデータ) (2021-06-29T12:22:10Z) - Lesion Mask-based Simultaneous Synthesis of Anatomic and MolecularMR
Images using a GAN [59.60954255038335]
提案するフレームワークは,ストレッチアウトアップサンプリングモジュール,ブレインアトラスエンコーダ,セグメンテーション一貫性モジュール,マルチスケールラベルワイド識別器から構成される。
実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
論文 参考訳(メタデータ) (2020-06-26T02:50:09Z)
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。