論文の概要: Adapting Segment Anything Model (SAM) through Prompt-based Learning for Enhanced Protein Identification in Cryo-EM Micrographs

• arxiv url: http://arxiv.org/abs/2311.16140v1
• Date: Sat, 4 Nov 2023 14:20:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-03 13:17:00.090541
• Title: Adapting Segment Anything Model (SAM) through Prompt-based Learning for Enhanced Protein Identification in Cryo-EM Micrographs
• Title（参考訳）: Cryo-EMマイクログラフにおけるタンパク質同定のためのプロンプト学習によるセグメンテーションモデル(SAM)の適応
• Authors: Fei He, Zhiyuan Yang, Mingyue Gao, Biplab Poudel, Newgin Sam Ebin Sam Dhas, Rajan Gyawali, Ashwin Dhakal, Jianlin Cheng, Dong Xu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 16.923131723754192
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cryo-electron microscopy (cryo-EM) remains pivotal in structural biology, yet the task of protein particle picking, integral for 3D protein structure construction, is laden with manual inefficiencies. While recent AI tools such as Topaz and crYOLO are advancing the field, they do not fully address the challenges of cryo-EM images, including low contrast, complex shapes, and heterogeneous conformations. This study explored prompt-based learning to adapt the state-of-the-art image segmentation foundation model Segment Anything Model (SAM) for cryo-EM. This focus was driven by the desire to optimize model performance with a small number of labeled data without altering pre-trained parameters, aiming for a balance between adaptability and foundational knowledge retention. Through trials with three prompt-based learning strategies, namely head prompt, prefix prompt, and encoder prompt, we observed enhanced performance and reduced computational requirements compared to the fine-tuning approach. This work not only highlights the potential of prompting SAM in protein identification from cryo-EM micrographs but also suggests its broader promise in biomedical image segmentation and object detection.
• Abstract（参考訳）: cryo-electron microscope (cryo-em) は構造生物学において重要な役割を担っているが、3dタンパク質構造構築に不可欠なタンパク質粒子ピッキングの課題は手作業による非効率化である。 TopazやcrYOLOといった最近のAIツールはこの分野を前進させているが、低コントラスト、複雑な形状、異質なコンフォーメーションなど、Cryo-EMイメージの課題を完全には解決していない。 本研究では,Creo-EMのための画像分割基礎モデルSegment Anything Model (SAM) を即時学習により適用することを検討した。 この焦点は、事前訓練されたパラメータを変更することなく、少数のラベル付きデータでモデルパフォーマンスを最適化し、適応性と基礎的知識保持のバランスを図ることを目的としていた。 頭部プロンプト,プレフィックスプロンプト,エンコーダプロンプトという3つのプロンプトベースの学習戦略による試行を通じて,パフォーマンスの向上と,微調整アプローチと比較して計算要件の低減を観察した。 この研究は、Cryo-EMマイクログラフからSAMを同定する可能性を強調するだけでなく、バイオメディカル画像のセグメンテーションや物体検出において幅広い可能性を示唆している。

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)
• Tracing and segmentation of molecular patterns in 3-dimensional cryo-et/em density maps through algorithmic image processing and deep learning-based techniques [0.0]
  論文はアクチンフィラメントを 追跡する高度な計算技術の開発に焦点を当てています BundleTrac、Stereociliumで発見された束状アクチンフィラメントをトレースするSpagetti Tracer、アクチンネットワークでランダムに配向されたアクチンフィラメントをトレースするStruwwel Tracerの3つの新しい手法が開発されている。 論文の第2の構成要素は、中分解能(5-10アングストローム)3次元低温電子顕微鏡におけるヘリスやベータシートなどのタンパク質二次構造の位置を決定する畳み込みニューラルネットワーク(CNN)に基づくセグメンテーションモデルの導入である。
  論文  参考訳（メタデータ） (2024-03-26T00:41:54Z)
• 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)
• Deep learning-based instance segmentation for the precise automated quantification of digital breast cancer immunohistochemistry images [1.8434042562191815]
  深層学習に基づくインスタンスセグメンテーションアーキテクチャを用いて,IHCスライスに適用した核バイオマーカーと膜バイオマーカーの自動定量化の実現可能性を示した。 HE, ER, Ki-67 (核バイオマーカー) およびHER2 (膜バイオマーカー) IHC-stained image を用いてアノテーションを収集した。 我々は、2つのモデル(いわゆる核・膜認識セグメンテーションモデル)を訓練した。
  論文  参考訳（メタデータ） (2023-11-22T22:23:47Z)
• 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)
• Semi-Supervised Segmentation of Mitochondria from Electron Microscopy Images Using Spatial Continuity [3.631638087834872]
  ミトコンドリアの構造的・形態的・文脈的情報の空間的連続性を利用してミトコンドリアをセグメント化する半教師付き深層学習モデルを提案する。 我々のモデルは、最先端の完全教師付きモデルと同じような性能を達成するが、アノテーション付きトレーニングデータの20%しか必要としない。
  論文  参考訳（メタデータ） (2022-06-06T06:52:19Z)
• 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)
• 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)
• 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)
• Learning to Segment Anatomical Structures Accurately from One Exemplar [34.287877547953194]
  大量の注釈付きトレーニング画像を用いることなく、正確な解剖学的構造セグメンテーションを作成できる方法は、非常に望ましい。 本研究では,自然に組み込まれたループ機構を備えたワンショット解剖セグメントであるContour Transformer Network (CTN)を提案する。 筆者らのワンショット学習法は,非学習に基づく手法を著しく上回り,最先端の完全教師付きディープラーニングアプローチと競争的に機能することを示した。
  論文  参考訳（メタデータ） (2020-07-06T20:27:38Z)

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。