論文の概要: ProGroTrack: Deep Learning-Assisted Tracking of Intracellular Protein
Growth Dynamics
- arxiv url: http://arxiv.org/abs/2305.17183v1
- Date: Fri, 26 May 2023 18:15:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-30 21:32:56.473391
- Title: ProGroTrack: Deep Learning-Assisted Tracking of Intracellular Protein
Growth Dynamics
- Title(参考訳): ProGroTrack: 深層学習による細胞内タンパク質成長動態の追跡
- Authors: Kai San Chan, Huimiao Chen, Chenyu Jin, Yuxuan Tian, Dingchang Lin
- Abstract要約: 本稿では、You Only Look Once(YOLO)アルゴリズムとByteTrackアルゴリズムを組み合わせて細胞内タンパク質ナノ構造を追跡する新しいアプローチであるProGroTrackを提案する。
YOLOv5モデルとYOLOv8モデルの総合評価を行い、データセット上でのYOLOv5の優れた性能を明らかにした。
検出能力をさらに最適化するために、モデル改善のための半教師付き学習を導入し、その結果、すべてのメトリクスのパフォーマンスが向上した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate tracking of cellular and subcellular structures, along with their
dynamics, plays a pivotal role in understanding the underlying mechanisms of
biological systems. This paper presents a novel approach, ProGroTrack, that
combines the You Only Look Once (YOLO) and ByteTrack algorithms within the
detection-based tracking (DBT) framework to track intracellular protein
nanostructures. Focusing on iPAK4 protein fibers as a representative case
study, we conducted a comprehensive evaluation of YOLOv5 and YOLOv8 models,
revealing the superior performance of YOLOv5 on our dataset. Notably, YOLOv5x
achieved an impressive mAP50 of 0.839 and F-score of 0.819. To further optimize
detection capabilities, we incorporated semi-supervised learning for model
improvement, resulting in enhanced performances in all metrics. Subsequently,
we successfully applied our approach to track the growth behavior of iPAK4
protein fibers, revealing their two distinct growth phases consistent with a
previously reported kinetic model. This research showcases the promising
potential of our approach, extending beyond iPAK4 fibers. It also offers a
significant advancement in precise tracking of dynamic processes in live cells,
and fostering new avenues for biomedical research.
- Abstract(参考訳): 細胞構造と細胞内構造の正確な追跡とそのダイナミクスは、生物学的システムの根本的なメカニズムを理解する上で重要な役割を担っている。
本稿では, 細胞内タンパク質ナノ構造を追跡するための検出ベーストラッキング(DBT)フレームワークにおいて, You Only Look Once (YOLO)とByteTrackアルゴリズムを組み合わせたProGroTrackを提案する。
代表的なケーススタディとして,iPAK4タンパク質繊維に着目し,YOLOv5およびYOLOv8モデルの総合的な評価を行い,データセット上でのYOLOv5の優れた性能を明らかにした。
特にYOLOv5xは0.839のmAP50と0.819のFスコアを達成した。
検出能力をさらに最適化するため、モデル改善のために半教師付き学習を導入し、その結果、すべてのメトリクスのパフォーマンスが向上した。
その後,iPAK4タンパク質繊維の成長挙動の追跡に本手法を応用し,これまでに報告された速度論的モデルと一致した2つの成長相を明らかにした。
本研究は,iPAK4繊維を超えるアプローチの可能性を示す。
また、生きた細胞における動的プロセスの正確な追跡や、生物医学研究のための新たな道のりを育むための重要な進歩を提供する。
関連論文リスト
- A Multi-Grained Symmetric Differential Equation Model for Learning
Protein-Ligand Binding Dynamics [74.93549765488103]
薬物発見において、分子動力学シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合の正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
我々は、標準的な数値MDシミュレーションよりも2000$times$のスピードアップを達成し、安定性の指標の下では、他のMLアプローチよりも最大80%高い効率で、NeuralMDの有効性と有効性を示す。
論文 参考訳(メタデータ) (2024-01-26T09:35:17Z) - xTrimoPGLM: Unified 100B-Scale Pre-trained Transformer for Deciphering
the Language of Protein [76.18058946124111]
本稿では,タンパク質の理解と生成を同時に行うために,統一されたタンパク質言語モデル xTrimoPGLM を提案する。
xTrimoPGLMは、4つのカテゴリにわたる18のタンパク質理解ベンチマークにおいて、他の高度なベースラインを著しく上回っている。
また、自然の原理に従ってデノボタンパク質配列を生成でき、微調整を監督した後にプログラム可能な生成を行うことができる。
論文 参考訳(メタデータ) (2024-01-11T15:03:17Z) - Efficiently Predicting Protein Stability Changes Upon Single-point
Mutation with Large Language Models [51.57843608615827]
タンパク質の熱安定性を正確に予測する能力は、様々なサブフィールドや生化学への応用において重要である。
タンパク質配列と構造的特徴を統合したESMによる効率的なアプローチを導入し, 単一点突然変異によるタンパク質の熱安定性変化を予測する。
論文 参考訳(メタデータ) (2023-12-07T03:25:49Z) - Regression-Based Analysis of Multimodal Single-Cell Data Integration
Strategies [0.0]
マルチモーダルシングルセル技術は、個々のセルから多様なデータ型の同時収集を可能にする。
この研究は、Echo State Networksの異常なパフォーマンスを強調し、顕著な相関スコアが0.94である。
これらの発見は、機械学習の可能性を生かして、細胞の分化と機能に関する理解を深めることを約束している。
論文 参考訳(メタデータ) (2023-11-21T16:31:27Z) - ProBio: A Protocol-guided Multimodal Dataset for Molecular Biology Lab [67.24684071577211]
研究結果を複製するという課題は、分子生物学の分野に重大な障害をもたらしている。
まず、この目的に向けた最初のステップとして、ProBioという名前の包括的なマルチモーダルデータセットをキュレートする。
次に、透明なソリューショントラッキングとマルチモーダルなアクション認識という2つの挑戦的なベンチマークを考案し、BioLab設定におけるアクティビティ理解に関連する特徴と難しさを強調した。
論文 参考訳(メタデータ) (2023-11-01T14:44:01Z) - Target-aware Variational Auto-encoders for Ligand Generation with
Multimodal Protein Representation Learning [2.01243755755303]
ターゲット認識型自動エンコーダであるTargetVAEを導入し、任意のタンパク質標的に対する高い結合親和性で生成する。
これは、タンパク質の異なる表現を単一のモデルに統一する最初の試みであり、これは我々がタンパク質マルチモーダルネットワーク(PMN)と呼ぶ。
論文 参考訳(メタデータ) (2023-08-02T12:08:17Z) - Structure-informed Language Models Are Protein Designers [69.70134899296912]
配列ベースタンパク質言語モデル(pLM)の汎用的手法であるLM-Designを提案する。
pLMに軽量な構造アダプターを埋め込んだ構造手術を行い,構造意識を付加した構造手術を行った。
実験の結果,我々の手法は最先端の手法よりも大きなマージンで優れていることがわかった。
論文 参考訳(メタデータ) (2023-02-03T10:49:52Z) - Deep Learning Methods for Protein Family Classification on PDB
Sequencing Data [0.0]
本稿では,新たな双方向LSTMや畳み込みモデルなどのディープラーニングフレームワークの性能を,広く利用可能なシークエンシングデータ上で実証し比較する。
我々のディープラーニングモデルは従来の機械学習手法よりも優れた性能を示し、畳み込みアーキテクチャは最も印象的な推論性能を提供する。
論文 参考訳(メタデータ) (2022-07-14T06:11:32Z) - Learning Geometrically Disentangled Representations of Protein Folding
Simulations [72.03095377508856]
この研究は、薬物標的タンパク質の構造的アンサンブルに基づいて生成ニューラルネットワークを学習することに焦点を当てている。
モデル課題は、様々な薬物分子に結合したタンパク質の構造的変動を特徴付けることである。
その結果,我々の幾何学的学習に基づく手法は,複雑な構造変化を生成するための精度と効率の両方を享受できることがわかった。
論文 参考訳(メタデータ) (2022-05-20T19:38:00Z) - Decoding the Protein-ligand Interactions Using Parallel Graph Neural
Networks [6.460973806588082]
PLI予測のための知識表現と推論を統合するための新しい並列グラフニューラルネットワーク(GNN)を提案する。
本手法は, 先行候補の行動, 有効性, 生物物理特性を予測するための, 解釈可能な, 説明可能な人工知能(AI)ツールとして機能する。
論文 参考訳(メタデータ) (2021-11-30T06:02:04Z) - PersGNN: Applying Topological Data Analysis and Geometric Deep Learning
to Structure-Based Protein Function Prediction [0.07340017786387766]
本研究では,タンパク質構造を分離し,タンパク質データバンク内のタンパク質の機能的アノテーションを作成する。
本稿では,グラフ表現学習とトポロジカルデータ解析を組み合わせた,エンドツーエンドのトレーニング可能なディープラーニングモデルPersGNNを提案する。
論文 参考訳(メタデータ) (2020-10-30T02:24:35Z)
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。