論文の概要: CryoSAMU: Enhancing 3D Cryo-EM Density Maps of Protein Structures at Intermediate Resolution with Structure-Aware Multimodal U-Nets

• arxiv url: http://arxiv.org/abs/2503.20291v1
• Date: Wed, 26 Mar 2025 07:33:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-27 13:22:24.133253
• Title: CryoSAMU: Enhancing 3D Cryo-EM Density Maps of Protein Structures at Intermediate Resolution with Structure-Aware Multimodal U-Nets
• Title（参考訳）: CryoSAMU:構造対応マルチモーダルU-Netを用いた中間分解能におけるタンパク質構造の3次元Cryo-EM密度マップの強化
• Authors: Chenwei Zhang, Anne Condon, Khanh Dao Duc,
• Abstract要約: 低温電子顕微鏡(cryo-EM)3次元密度マップの中間分解能の向上は、タンパク質の構造決定に不可欠である。 近年のディープラーニングの進歩により、実験用Cryo-EM密度マップの強化のための自動アプローチが開発されている。 CryoSAMUは構造認識型マルチモーダルU-Netを用いたタンパク質構造の3次元Cryo-EM密度マップの高速化を目的とした新しい手法である。
• 参考スコア（独自算出の注目度）: 9.283622646351066
• License:
• Abstract: Enhancing cryogenic electron microscopy (cryo-EM) 3D density maps at intermediate resolution (4-8 {\AA}) is crucial in protein structure determination. Recent advances in deep learning have led to the development of automated approaches for enhancing experimental cryo-EM density maps. Yet, these methods are not optimized for intermediate-resolution maps and rely on map density features alone. To address this, we propose CryoSAMU, a novel method designed to enhance 3D cryo-EM density maps of protein structures using structure-aware multimodal U-Nets and trained on curated intermediate-resolution density maps. We comprehensively evaluate CryoSAMU across various metrics and demonstrate its competitive performance compared to state-of-the-art methods. Notably, CryoSAMU achieves significantly faster processing speed, showing promise for future practical applications. Our code is available at https://github.com/chenwei-zhang/CryoSAMU.
• Abstract（参考訳）: 低温電子顕微鏡(cryo-EM)3次元密度マップの中間分解能(4-8 {\AA})の向上はタンパク質の構造決定に不可欠である。 近年のディープラーニングの進歩により、実験用Cryo-EM密度マップの強化のための自動アプローチが開発されている。 しかし、これらの手法は中間分解能写像に最適化されず、地図密度のみに頼っている。 そこで本研究では,構造認識型マルチモーダルU-Netを用いたタンパク質構造の3次元Cryo-EM密度マップを改良し,中間分解能密度マップをキュレートしたCryoSAMUを提案する。 我々はCryoSAMUを様々な指標で総合的に評価し、最先端の手法と比較してその競争性能を実証した。 特に、CryoSAMUは処理速度を大幅に高速化し、将来の実用的なアプリケーションに期待できる。 私たちのコードはhttps://github.com/chenwei-zhang/CryoSAMU.comで利用可能です。

関連論文リスト

• 2.5D U-Net with Depth Reduction for 3D CryoET Object Identification [0.4910937238451484]
  我々は,CZII-CryoETオブジェクト識別コンペティションから,第4位のソリューションを紹介した。 提案手法は,2種類の2.5D U-Netモデルのアンサンブルと深度低減を用いたヒートマップに基づくキーポイント検出手法を採用した。
  論文  参考訳（メタデータ） (2025-02-19T07:13:08Z)
• Beyond Current Boundaries: Integrating Deep Learning and AlphaFold for Enhanced Protein Structure Prediction from Low-Resolution Cryo-EM Maps [0.351124620232225]
  DeepTracer-LowResEnhanceは、AlphaFoldのパワーとディープラーニングの強化されたマップリファインメント技術を相乗化するフレームワークである。 この手法は低解像度のCryo-EMマップからモデルの構築を著しく改善するために設計されている。
  論文  参考訳（メタデータ） (2024-10-30T06:52:46Z)
• 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)
• Struc2mapGAN: improving synthetic cryo-EM density maps with generative adversarial networks [9.283622646351066]
  分子構造から改良された実験的な密度マップを作成するための新しいデータ駆動手法を提案する。 我々は、ネストした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トレーニング実験マップをさらに処理する。 本手法は,実験対象の地図や評価指標において,既存のシミュレーション手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-07-24T23:47:05Z)
• 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)
• CryoAlign: feature-based method for global and local 3D alignment of EM density maps [22.748115335755756]
  我々は,CryoAlignの高速かつ高精度な局所電子顕微鏡密度マップアライメント法を提案する。 C CryoAlignは、機能ベースのEMマップアライメントツールであり、機能ベースのアーキテクチャを使うことで、ポイントペア対応の迅速な確立を可能にする。
  論文  参考訳（メタデータ） (2023-09-17T09:07:57Z)
• IterMVS: Iterative Probability Estimation for Efficient Multi-View Stereo [71.84742490020611]
  IterMVSは高解像度マルチビューステレオのための新しいデータ駆動方式である。 隠れ状態の深さの画素単位の確率分布を符号化するGRUに基づく新しい推定器を提案する。 DTU, タンク&テンプル, ETH3Dにおける本手法の有効性と有効性を検証する。
  論文  参考訳（メタデータ） (2021-12-09T18:58:02Z)
• TANDEM: Tracking and Dense Mapping in Real-time using Deep Multi-view Stereo [55.30992853477754]
  本稿では,リアルタイムな単分子追跡と高密度フレームワークであるTANDEMを紹介する。 ポーズ推定のために、TANDEMはアライメントのスライディングウィンドウに基づいて光度バンドル調整を行う。 TANDEMは最先端のリアルタイム3D再構成性能を示す。
  論文  参考訳（メタデータ） (2021-11-14T19:01:02Z)
• SMD-Nets: Stereo Mixture Density Networks [68.56947049719936]
  SMD-Nets(Stereo Mixture Density Networks)は、幅広い2Dおよび3Dアーキテクチャに対応したシンプルで効果的な学習フレームワークです。 具体的には,バイモーダル混合密度を出力表現として活用し,不連続近傍の鋭く正確な不一致推定を可能にすることを示す。 我々は8Mpx解像度のステレオペアと現実世界のステレオデータセットからなる、新しい高解像度でリアルな合成ステレオデータセットに関する包括的な実験を行う。
  論文  参考訳（メタデータ） (2021-04-08T16:15:46Z)
• KiU-Net: Overcomplete Convolutional Architectures for Biomedical Image and Volumetric Segmentation [71.79090083883403]
  トラディショナル・エンコーダ・デコーダに基づく手法は, より小さな構造を検出でき, 境界領域を正確に分割できない。 本稿では,(1)入力の細部と正確なエッジを捉えることを学ぶ完全畳み込みネットワークKite-Netと,(2)高レベルの特徴を学習するU-Netの2つの枝を持つKiU-Netを提案する。 提案手法は,より少ないパラメータとより高速な収束の利点により,最近のすべての手法と比較して性能が向上する。
  論文  参考訳（メタデータ） (2020-10-04T19:23:33Z)

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。