論文の概要: CryoRL: Reinforcement Learning Enables Efficient Cryo-EM Data Collection
- arxiv url: http://arxiv.org/abs/2204.07543v1
- Date: Fri, 15 Apr 2022 17:00:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-18 12:53:00.192378
- Title: CryoRL: Reinforcement Learning Enables Efficient Cryo-EM Data Collection
- Title（参考訳）: CryoRL: 効率的なCryo-EMデータ収集を可能にする強化学習
- Authors: Quanfu Fan, Yilai Li, Yuguang Yao, John Cohn, Sijia Liu, Seychelle M.
Vos, and Michael A. Cianfrocco
- Abstract要約: 強化学習はCryo-EMデータ収集を効果的に計画し、異種Cryo-EMグリッドのナビゲーションに成功していることを示す。
開発したアプローチであるCryoRLは、同様の設定下でのデータ収集を行う平均ユーザよりも優れたパフォーマンスを示す。
- 参考スコア（独自算出の注目度）: 13.499994658675638
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Single-particle cryo-electron microscopy (cryo-EM) has become one of the
mainstream structural biology techniques because of its ability to determine
high-resolution structures of dynamic bio-molecules. However, cryo-EM data
acquisition remains expensive and labor-intensive, requiring substantial
expertise. Structural biologists need a more efficient and objective method to
collect the best data in a limited time frame. We formulate the cryo-EM data
collection task as an optimization problem in this work. The goal is to
maximize the total number of good images taken within a specified period. We
show that reinforcement learning offers an effective way to plan cryo-EM data
collection, successfully navigating heterogenous cryo-EM grids. The approach we
developed, cryoRL, demonstrates better performance than average users for data
collection under similar settings.
- Abstract（参考訳）: 単粒子核電子顕微鏡 (cryo-em) は, 生体分子の高分解能構造を決定できるため, 主要な構造生物学技術の一つである。
しかし、Cryo-EMデータ取得は高価で労働集約的であり、かなりの専門知識を必要とする。
構造生物学者は、限られた時間枠で最高のデータを集めるために、より効率的で客観的な方法が必要です。
本研究では,Cryo-EMデータ収集タスクを最適化問題として定式化する。
ゴールは、指定された期間内に撮影された良い画像の総数を最大化することである。
強化学習はcryo-emデータ収集を効率的に計画し,異種cryo-emグリッドのナビゲートを可能にする。
開発したアプローチであるCryoRLは、同様の設定下でのデータ収集を行う平均ユーザよりも優れたパフォーマンスを示す。
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) - Data-Efficient Molecular Generation with Hierarchical Textual Inversion [48.816943690420224]
分子生成のための階層型テキスト変換法 (HI-Mol) を提案する。
HI-Molは分子分布を理解する上での階層的情報、例えば粗い特徴ときめ細かい特徴の重要性にインスパイアされている。
単一レベルトークン埋め込みを用いた画像領域の従来のテキストインバージョン法と比較して, マルチレベルトークン埋め込みにより, 基礎となる低ショット分子分布を効果的に学習することができる。
論文 参考訳（メタデータ） (2024-05-05T08:35:23Z) - Masked Autoencoders for Microscopy are Scalable Learners of Cellular Biology [2.7280901660033643]
本研究は、弱教師付き分類器と自己教師付きマスク付きオートエンコーダ(MAE)のスケーリング特性について検討する。
以上の結果から,ViTをベースとしたMAEは,様々なタスクにおいて弱い教師付き分類器よりも優れており,公的なデータベースから得られた既知の生物学的関係を思い出すと,11.5%の相対的な改善が達成されることがわかった。
我々は、異なる数のチャネルと順序の画像を推論時に入力できる新しいチャネルに依存しないMAEアーキテクチャ(CA-MAE)を開発した。
論文 参考訳（メタデータ） (2024-04-16T02:42:06Z) - 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) - Adapting Segment Anything Model (SAM) through Prompt-based Learning for
Enhanced Protein Identification in Cryo-EM Micrographs [16.923131723754192]
低温電子顕微鏡(cryo-EM)は構造生物学において重要な存在である。
TopazやcrYOLOといった最近のAIツールは、Cryo-EMイメージの課題を完全に解決していない。
本研究では,最先端画像分割基盤モデルセグメンション・アプライシング・モデルに適応するための即時学習について検討した。
論文 参考訳（メタデータ） (2023-11-04T14:20:08Z) - 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) - Learning to automate cryo-electron microscopy data collection with
Ptolemy [4.6453787256723365]
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。
論文 参考訳（メタデータ） (2021-12-01T22:39:28Z) - 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)
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。