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
- An Autonomous Large Language Model Agent for Chemical Literature Data
Mining [60.85177362167166]
本稿では,幅広い化学文献から高忠実度抽出が可能なエンドツーエンドAIエージェントフレームワークを提案する。
本フレームワークの有効性は,反応条件データの精度,リコール,F1スコアを用いて評価する。
論文 参考訳(メタデータ) (2024-02-20T13:21:46Z) - 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) - Competence-based Multimodal Curriculum Learning for Medical Report
Generation [98.10763792453925]
本稿では,コンピテンスベースのマルチモーダルカリキュラム学習フレームワーク(CMCL)を提案する。
具体的には、CMCLは放射線学者の学習過程をシミュレートし、段階的にモデルを最適化する。
パブリックIU-XrayとMIMIC-CXRデータセットの実験は、CMCLを既存のモデルに組み込んでパフォーマンスを向上させることができることを示している。
論文 参考訳(メタデータ) (2022-06-24T08:16:01Z) - 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) - CryoAI: Amortized Inference of Poses for Ab Initio Reconstruction of 3D
Molecular Volumes from Real Cryo-EM Images [30.738209997049395]
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。
論文 参考訳(メタデータ) (2022-03-15T17:58:03Z) - 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) - 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) - 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。