論文の概要: 3D Reconstruction of Protein Structures from Multi-view AFM Images using Neural Radiance Fields (NeRFs)
- arxiv url: http://arxiv.org/abs/2408.06244v1
- Date: Mon, 12 Aug 2024 15:53:24 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-13 13:56:12.929513
- Title: 3D Reconstruction of Protein Structures from Multi-view AFM Images using Neural Radiance Fields (NeRFs)
- Title（参考訳）: ニューラルラジアンス場(NeRF)を用いた多視点AFM画像からのタンパク質構造の3次元再構成
- Authors: Jaydeep Rade, Ethan Herron, Soumik Sarkar, Anwesha Sarkar, Adarsh Krishnamurthy,
- Abstract要約: 原子間力顕微鏡(AFM)と深層学習を組み合わせたタンパク質複合体(PC)の3次元構造予測法について検討した。
AFMは、様々なランダムな方向でPCを描写する高さマップを生成し、ニューラルネットワークをトレーニングして3D構造を予測するための豊富な情報を提供する。
AFM画像を用いた3Dタンパク質構造のゼロショット予測によりUpFusionの性能を評価する。
- 参考スコア（独自算出の注目度）: 8.257409049477827
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Recent advancements in deep learning for predicting 3D protein structures have shown promise, particularly when leveraging inputs like protein sequences and Cryo-Electron microscopy (Cryo-EM) images. However, these techniques often fall short when predicting the structures of protein complexes (PCs), which involve multiple proteins. In our study, we investigate using atomic force microscopy (AFM) combined with deep learning to predict the 3D structures of PCs. AFM generates height maps that depict the PCs in various random orientations, providing a rich information for training a neural network to predict the 3D structures. We then employ the pre-trained UpFusion model (which utilizes a conditional diffusion model for synthesizing novel views) to train an instance-specific NeRF model for 3D reconstruction. The performance of UpFusion is evaluated through zero-shot predictions of 3D protein structures using AFM images. The challenge, however, lies in the time-intensive and impractical nature of collecting actual AFM images. To address this, we use a virtual AFM imaging process that transforms a `PDB' protein file into multi-view 2D virtual AFM images via volume rendering techniques. We extensively validate the UpFusion architecture using both virtual and actual multi-view AFM images. Our results include a comparison of structures predicted with varying numbers of views and different sets of views. This novel approach holds significant potential for enhancing the accuracy of protein complex structure predictions with further fine-tuning of the UpFusion network.
- Abstract（参考訳）: 近年の3Dタンパク質構造予測のための深層学習の進歩は、特にタンパク質配列やCryo-Electron microscopy (Cryo-EM)画像などの入力を利用する場合に有望である。
しかしながら、これらの技術は、複数のタンパク質を含むタンパク質複合体(PC)の構造を予測する際にしばしば不足する。
本研究では,原子間力顕微鏡(AFM)と深層学習を組み合わせてPCの3次元構造を予測する。
AFMは、様々なランダムな方向でPCを描写する高さマップを生成し、ニューラルネットワークをトレーニングして3D構造を予測するための豊富な情報を提供する。
次に、3次元再構成のためのインスタンス固有のNeRFモデルをトレーニングするために、事前訓練されたUpFusionモデル(新しいビューを合成するための条件拡散モデルを利用する)を用いる。
AFM画像を用いた3Dタンパク質構造のゼロショット予測によりUpFusionの性能を評価する。
しかし課題は、実際のAFM画像の収集という、時間集約的で非現実的な性質にある。
そこで我々は,PDBを仮想AFM画像に変換する仮想AFMイメージングプロセスを用いて,ボリュームレンダリング技術を用いて,マルチビュー2D仮想AFM画像に変換する。
仮想および実際のマルチビューAFM画像を用いて、UpFusionアーキテクチャを広範囲に検証する。
結果は、様々な数のビューと異なるビューのセットで予測される構造の比較を含む。
この新しいアプローチは、UpFusionネットワークをさらに微調整することで、タンパク質複合体構造予測の精度を高める重要な可能性を持っている。
関連論文リスト
- MVGamba: Unify 3D Content Generation as State Space Sequence Modeling [150.80564081817786]
本稿では,多視点ガウス再構成器を備えた一般軽量ガウス再構成モデルMVGambaを紹介する。
オフザディテールのマルチビュー拡散モデルを統合することで、MVGambaは単一の画像、スパース画像、テキストプロンプトから3D生成タスクを統一する。
実験により、MVGambaは、すべての3Dコンテンツ生成シナリオで最先端のベースラインを約0.1タイムのモデルサイズで上回ります。
論文 参考訳（メタデータ） (2024-06-10T15:26:48Z) - GTR: Improving Large 3D Reconstruction Models through Geometry and Texture Refinement [51.97726804507328]
マルチビュー画像から3次元メッシュを再構成する手法を提案する。
提案手法は, 変圧器を用いたトリプレーンジェネレータとニューラルレージアンスフィールド(NeRF)モデルを用いた大規模再構成モデルから着想を得たものである。
論文 参考訳（メタデータ） (2024-06-09T05:19:24Z) - A Generative Machine Learning Model for Material Microstructure 3D
Reconstruction and Performance Evaluation [4.169915659794567]
2次元から3次元への次元展開は、現在の技術的観点から非常に難しい逆問題と見なされている。
U-netのマルチスケール特性とGANの生成能力を統合する新しい生成モデルが提案されている。
さらに、画像正規化損失とワッサーシュタイン距離損失を組み合わせることにより、モデルの精度をさらに向上する。
論文 参考訳（メタデータ） (2024-02-24T13:42:34Z) - Multi-View Neural 3D Reconstruction of Micro-/Nanostructures with Atomic
Force Microscopy [34.22380991792944]
原子間力顕微鏡(MVN-AFM)を用いたマルチビューニューラルネットワークベースのフレームワークを提案する。
MVN-AFMは反復法を用いてマルチビューデータを調整し、AFMアーティファクトを同時に除去する。
実験により、MVN-AFMは生のAFM画像に存在する人工物を効果的に除去し、様々なミクロ・ナノ構造を再構築することが示された。
論文 参考訳（メタデータ） (2024-01-21T16:46:04Z) - ReconFusion: 3D Reconstruction with Diffusion Priors [104.73604630145847]
本稿では,数枚の写真を用いて現実のシーンを再構成するReconFusionを提案する。
提案手法は,合成および多視点データセットに基づいて訓練された新規なビュー合成に先立って拡散を利用する。
本手法は,観測領域の外観を保ちながら,非拘束領域における現実的な幾何学とテクスチャを合成する。
論文 参考訳（メタデータ） (2023-12-05T18:59:58Z) - Single-Stage Diffusion NeRF: A Unified Approach to 3D Generation and
Reconstruction [77.69363640021503]
3D対応画像合成は、シーン生成や画像からの新規ビュー合成など、様々なタスクを含む。
本稿では,様々な物体の多視点画像から,ニューラルラディアンス場(NeRF)の一般化可能な事前学習を行うために,表現拡散モデルを用いた統一的アプローチであるSSDNeRFを提案する。
論文 参考訳（メタデータ） (2023-04-13T17:59:01Z) - 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) - 3D Reconstruction of Protein Complex Structures Using Synthesized
Multi-View AFM Images [9.91587631689811]
合成多視点AFM画像データセットを用いて、Pix2Vox++と呼ばれる3次元再構成のためのニューラルネットワークをトレーニングする。
我々は、異なるビューを用いて得られた予測された構造を比較し、トレーニングデータセットで0.92、検証データセットで0.52の結合(IoU)値を得る。
論文 参考訳（メタデータ） (2022-11-26T20:50:34Z) - FOF: Learning Fourier Occupancy Field for Monocular Real-time Human
Reconstruction [73.85709132666626]
パラメトリックモデル、ボクセルグリッド、メッシュ、暗黙のニューラル表現といった既存の表現は、高品質な結果とリアルタイムなスピードを同時に達成することが困難である。
本稿では,モノクラーリアルタイムかつ高精度な人体再構成のための,新しい強力で効率的で柔軟な3次元表現であるFourier Occupancy Field (FOF)を提案する。
FOFは、2D畳み込みニューラルネットワークと互換性があり、3D画像と2D画像のギャップを埋めることのできるマルチチャネル画像として保存することができる。
論文 参考訳（メタデータ） (2022-06-05T14:45:02Z) - NeRF-VAE: A Geometry Aware 3D Scene Generative Model [14.593550382914767]
本研究では,NeRFによる幾何学的構造を組み込んだ3次元シーン生成モデルNeRF-VAEを提案する。
NeRF-VAEの明示的な3Dレンダリングプロセスは、以前の生成モデルと畳み込みベースのレンダリングとを対比する。
トレーニングが完了すると、NeRF-VAEは以前に見つからなかった3D環境から幾何学的に一貫性のあるシーンを推測、描画できることを示す。
論文 参考訳（メタデータ） (2021-04-01T16:16:31Z)
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。