論文の概要: CryoFM: A Flow-based Foundation Model for Cryo-EM Densities

• arxiv url: http://arxiv.org/abs/2410.08631v1
• Date: Fri, 11 Oct 2024 08:53:58 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-30 22:54:46.330211
• Title: CryoFM: A Flow-based Foundation Model for Cryo-EM Densities
• Title（参考訳）: CryoFM:Cryo-EM密度のフローベース基礎モデル
• Authors: Yi Zhou, Yilai Li, Jing Yuan, Quanquan Gu,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 50.291974465864364
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cryo-electron microscopy (cryo-EM) is a powerful technique in structural biology and drug discovery, enabling the study of biomolecules at high resolution. Significant advancements by structural biologists using cryo-EM have led to the production of over 38,626 protein density maps at various resolutions1. However, cryo-EM data processing algorithms have yet to fully benefit from our knowledge of biomolecular density maps, with only a few recent models being data-driven but limited to specific tasks. In this study, we present CryoFM, a foundation model designed as a generative model, learning the distribution of high-quality density maps and generalizing effectively to downstream tasks. Built on flow matching, CryoFM is trained to accurately capture the prior distribution of biomolecular density maps. Furthermore, we introduce a flow posterior sampling method that leverages CRYOFM as a flexible prior for several downstream tasks in cryo-EM and cryo-electron tomography (cryo-ET) without the need for fine-tuning, achieving state-of-the-art performance on most tasks and demonstrating its potential as a foundational model for broader applications in these fields.
• Abstract（参考訳）: クリオ電子顕微鏡(cryo-EM)は構造生物学と薬物発見において強力な技術であり、高分解能で生体分子の研究を可能にする。 構造生物学者によるCryo-EMを用いた重要な進歩により、様々な解像度で38,626以上のタンパク質密度マップが作成されている。 しかし、Cryo-EMデータ処理アルゴリズムは、生体分子密度マップの知識の恩恵を受けていない。 本研究では, 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し, 下流タスクに効果的に一般化する。 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。 さらに,Cryo-EMおよびCleo-Electronトモグラフィー(cryo-ET)において,Cryo-EMおよびCleo-Electronトモグラフィー(cryo-ET)における複数の下流タスクに対するフレキシブルな先行処理としてCRYOFMを活用するフロー後サンプリング手法を提案する。

関連論文リスト

• Data-Efficient Molecular Generation with Hierarchical Textual Inversion [48.816943690420224]
  分子生成のための階層型テキスト変換法 (HI-Mol) を提案する。 HI-Molは分子分布を理解する上での階層的情報、例えば粗い特徴ときめ細かい特徴の重要性にインスパイアされている。 単一レベルトークン埋め込みを用いた画像領域の従来のテキストインバージョン法と比較して, マルチレベルトークン埋め込みにより, 基礎となる低ショット分子分布を効果的に学習することができる。
  論文  参考訳（メタデータ） (2024-05-05T08:35:23Z)
• CryoMAE: Few-Shot Cryo-EM Particle Picking with Masked Autoencoders [8.896148074086762]
  我々は,Cryo-EM画像における単一粒子の効率的な選択を可能にするために,数ショット学習に基づく新しいアプローチであるCryoMAEを紹介する。 従来のNNベースの手法とは対照的に、CryoMAEはトレーニングのために最小限の正の粒子画像しか必要としないが、粒子検出の性能は高い。 大規模なCryo-EMデータセットの実験では、CryoMAEは既存のSOTA(State-of-the-art)手法より優れており、3D再構成の解像度は最大22.4%向上している。
  論文  参考訳（メタデータ） (2024-04-15T23:23:31Z)
• Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
  本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。 本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
  論文  参考訳（メタデータ） (2023-10-10T14:37:17Z)
• Learning Energy-Based Prior Model with Diffusion-Amortized MCMC [89.95629196907082]
  非収束短距離MCMCを用いた事前及び後方サンプリングによる潜時空間EMM学習の一般的な実践は、さらなる進歩を妨げている。 本稿では,MCMCサンプリングのための単純だが効果的な拡散型アモータイズ手法を導入し,それに基づく潜時空間EMMのための新しい学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-10-05T00:23:34Z)
• Latent Space Diffusion Models of Cryo-EM Structures [6.968705314671148]
  我々は、CryoDRGNフレームワークにおいて、表現的で学習可能な拡散モデルをトレーニングする。 データ分布の正確なモデルを学習することにより、生成モデリング、サンプリング、分布解析のツールを解放する。
  論文  参考訳（メタデータ） (2022-11-25T15:17:10Z)
• Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
  分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。 近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。 本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-05-17T13:08:28Z)
• CryoRL: Reinforcement Learning Enables Efficient Cryo-EM Data Collection [13.499994658675638]
  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。
  論文  参考訳（メタデータ） (2022-04-15T17:00:06Z)
• 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)
• Deep Generative Modeling for Volume Reconstruction in Cryo-Electron Microscopy [4.014524824655106]
  低温電子顕微鏡(cryo-EM)による生体分子の高分解能イメージングにおける新たなブレークスルーは、分子体積の再構築のための新しいドアを開放した。 長い道のりにもかかわらず、Cryo-EMデータ分析における大きな課題は、自然界において厳密で複雑な学際的なままである。 生成モデルとエンドツーエンドの教師なしディープラーニング技術を組み合わせた次世代のボリューム再構成アルゴリズムは、シミュレーションデータに対して有望な結果を示した。
  論文  参考訳（メタデータ） (2022-01-08T17:45:18Z)
• 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。