Fugu-MT 論文翻訳(概要): Synthetic High-resolution Cryo-EM Density Maps with Generative Adversarial Networks

論文の概要: Synthetic High-resolution Cryo-EM Density Maps with Generative Adversarial Networks

arxiv url: http://arxiv.org/abs/2407.17674v1
Date: Wed, 24 Jul 2024 23:47:05 GMT
ステータス: 処理完了
システム内更新日: 2024-07-26 15:47:21.256369
Title: Synthetic High-resolution Cryo-EM Density Maps with Generative Adversarial Networks
Title（参考訳）: 生成逆ネットワークを用いた合成高分解能Cryo-EM密度マップ
Authors: Chenwei Zhang, Anne Condon, Khanh Dao Duc,
Abstract要約: 分子構造から高分解能な実験ライクな密度マップを作成するために,GAN(Generative Adversarial Network)を用いたデータ駆動方式であるstruc2mapGANを提案する。より具体的には、struc2mapGANはU-Net++アーキテクチャをジェネレータとして使用し、L1損失項を追加し、学習効率を高めるために生の実験マップをさらに処理する。 struc2mapGANは、訓練後に迅速にマップを生成することができるが、既存のシミュレーションベースの手法よりも、幅広いテストマップや様々な評価指標で優れていることを示す。
参考スコア（独自算出の注目度）: 9.283622646351066
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Generating synthetic cryogenic electron microscopy (cryo-EM) 3D density maps from molecular structures has potential important applications in structural biology. Yet existing simulation-based methods cannot mimic all the complex features present in experimental maps, such as secondary structure elements. As an alternative, we propose struc2mapGAN, a novel data-driven method that employs a generative adversarial network (GAN) to produce high-resolution experimental-like density maps from molecular structures. More specifically, struc2mapGAN uses a U-Net++ architecture as the generator, with an additional L1 loss term and further processing of raw experimental maps to enhance learning efficiency. While struc2mapGAN can promptly generate maps after training, we demonstrate that it outperforms existing simulation-based methods for a wide array of tested maps and across various evaluation metrics. Our code is available at https://github.com/chenwei-zhang/struc2mapGAN.
Abstract（参考訳）: 分子構造から合成低温電子顕微鏡(cryo-EM)3次元密度マップを生成することは、構造生物学において潜在的に重要な応用である。しかし、既存のシミュレーションに基づく手法は、二次構造要素のような実験地図に存在するすべての複雑な特徴を模倣することはできない。分子構造から高分解能な実験ライクな密度マップを作成するために,GAN(Generative Adversarial Network)を用いた新しいデータ駆動手法であるstruc2mapGANを提案する。より具体的には、struc2mapGANはU-Net++アーキテクチャをジェネレータとして使用し、L1損失項を追加し、学習効率を高めるために生の実験マップをさらに処理する。 struc2mapGANは、訓練後に迅速にマップを生成することができるが、様々な評価指標において、既存のシミュレーションベースの手法よりも優れていることを示す。私たちのコードはhttps://github.com/chenwei-zhang/struc2mapGAN.comで公開されています。

関連論文リスト

DiffMap: Enhancing Map Segmentation with Map Prior Using Diffusion Model [13.359878206781044]
DiffMapは,マップセグメンテーションマスクの構造をモデル化する新しい手法である。この手法を取り入れることで,既存のセマンティックセグメンテーション手法の性能を大幅に向上させることができる。本モデルは,実世界の地図レイアウトをより正確に反映した結果を生成する上で,優れた習熟度を示す。
論文参考訳（メタデータ） (2024-05-03T11:16:27Z)
Hi-Map: Hierarchical Factorized Radiance Field for High-Fidelity Monocular Dense Mapping [51.739466714312805]
ニューラルラジアンス場(NeRF)に基づく新しいモノクリン高密度マッピング手法であるHi-Mapを導入する。ハイマップは、RGB入力のみを用いた効率的かつ高忠実なマッピングを実現する能力において例外的である。
論文参考訳（メタデータ） (2024-01-06T12:32:25Z)
Compressing Image-to-Image Translation GANs Using Local Density Structures on Their Learned Manifold [69.33930972652594]
GAN(Generative Adversarial Networks)は、画像から画像への変換のための複雑なデータ分散のモデル化において、顕著な成功を収めている。既存のGAN圧縮法は主に知識蒸留や畳み込み分類器の刈り取り技術に依存している。学習多様体上の元のパラメータ重モデルの密度構造を保存するために,プルーンドモデルを明示的に促すことにより,新しいアプローチを提案する。画像変換GANモデルであるPix2PixとCycleGANについて,様々なベンチマークデータセットとアーキテクチャを用いて実験を行い,本手法の有効性を実証した。
論文参考訳（メタデータ） (2023-12-22T15:43:12Z)
CryoFormer: Continuous Heterogeneous Cryo-EM Reconstruction using Transformer-based Neural Representations [49.49939711956354]
核電子顕微鏡(cryo-EM)は、タンパク質やその他の生体分子の3D構造を高分解能で再構築することを可能にする。 3次元構造の連続的な動きをノイズやランダムに配向した2次元Creo-EM画像から再構成することは依然として困難である。我々はCryoFormerを提案する。CryoFormerは連続したヘテロジニアスCryo-EM再構成のための新しいアプローチである。
論文参考訳（メタデータ） (2023-03-28T18:59:17Z)
GAN-Based Content Generation of Maps for Strategy Games [0.0]
本稿では,GAN(Generative Adversarial Networks)に基づく地図生成モデルを提案する。実装では、ハイトマップのデータセット上で、GANベースのネットワークのさまざまな変種をテストした。
論文参考訳（メタデータ） (2023-01-07T15:24:25Z)
MicroLib: A library of 3D microstructures generated from 2D micrographs using SliceGAN [0.0]
3次元マイクロ構造データセットは、有限要素モデリングで使用される幾何学的領域を定義するために一般的に用いられる。任意の大きさの3Dマイクロ構造データセットを統計的に生成する機械学習手法であるSliceGANを開発した。生体材料から高強度鋼まで,87種類の組織にSliceGANを適用した結果について報告する。
論文参考訳（メタデータ） (2022-10-12T19:13:28Z)
Machine Learning model for gas-liquid interface reconstruction in CFD numerical simulations [59.84561168501493]
流体の体積(VoF)法は多相流シミュレーションにおいて2つの不混和性流体間の界面を追跡・見つけるために広く用いられている。 VoF法の主なボトルネックは、計算コストが高く、非構造化グリッド上での精度が低いため、インタフェース再構成のステップである。一般的な非構造化メッシュ上でのインタフェース再構築を高速化するために,グラフニューラルネットワーク(GNN)に基づく機械学習拡張VoF手法を提案する。
論文参考訳（メタデータ） (2022-07-12T17:07:46Z)
Subsurface Depths Structure Maps Reconstruction with Generative Adversarial Networks [0.0]
本稿では,3次元地震探査で得られた詳細な深度構造図を復元する手法について述べる。本手法は、生成-逆順ニューラルネットワークアーキテクチャに基づく2つのアルゴリズムを用いる。
論文参考訳（メタデータ） (2022-06-15T08:51:10Z)
Three-dimensional microstructure generation using generative adversarial neural networks in the context of continuum micromechanics [77.34726150561087]
本研究は, 三次元マイクロ構造生成に適した生成対向ネットワークを提案する。軽量アルゴリズムは、明示的な記述子を必要とせずに、単一のmicroCTスキャンから材料の基礎特性を学習することができる。
論文参考訳（メタデータ） (2022-05-31T13:26:51Z)
Generating Diverse Structure for Image Inpainting With Hierarchical VQ-VAE [74.29384873537587]
本稿では,異なる構造を持つ複数の粗い結果を第1段階で生成し,第2段階ではテクスチャを増補して各粗い結果を別々に洗練する,多彩な塗布用2段階モデルを提案する。 CelebA-HQ, Places2, ImageNetデータセットによる実験結果から,本手法は塗布ソリューションの多様性を向上するだけでなく,生成した複数の画像の視覚的品質も向上することが示された。
論文参考訳（メタデータ） (2021-03-18T05:10:49Z)
Contagion Dynamics for Manifold Learning [0.0]
感染マップは閾値の感染における活性化時間を利用して、高次元ユークリッド空間のベクトルをネットワークのノードに割り当てる。我々は,様々な実世界および合成データセット上で,多様体学習ツールとしての感染マップを検証した。特定の条件下では、畳み込み写像はノイズによる誤差によりイソマプが失敗するのに対して、ノイズデータにおいて基礎となる多様体構造を確実に検出することができる。
論文参考訳（メタデータ） (2020-11-30T20:58:21Z)

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。