論文の概要: Automated Model-Free Sorting of Single-Molecule Fluorescence Events Using a Deep Learning Based Hidden-State Model
- arxiv url: http://arxiv.org/abs/2505.08608v1
- Date: Tue, 13 May 2025 14:26:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-14 20:57:54.611169
- Title: Automated Model-Free Sorting of Single-Molecule Fluorescence Events Using a Deep Learning Based Hidden-State Model
- Title（参考訳）: ディープラーニングに基づく隠れ状態モデルを用いた単一分子蛍光イベントの自動モデルフリーソーティング
- Authors: Wenqi Zeng, Shuqi Zhou, Yuan Yao, Chunlai Chen,
- Abstract要約: DASHはトレース分類、状態割り当て、自動ソートのための完全に合理化されたアーキテクチャである。
本稿では, 単分子蛍光イベントの自動的, 詳細なソートのための新しい手法を提案する。
- 参考スコア（独自算出の注目度）: 4.2122082492789055
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Single-molecule fluorescence assays enable high-resolution analysis of biomolecular dynamics, but traditional analysis pipelines are labor-intensive and rely on users' experience, limiting scalability and reproducibility. Recent deep learning models have automated aspects of data processing, yet many still require manual thresholds, complex architectures, or extensive labeled data. Therefore, we present DASH, a fully streamlined architecture for trace classification, state assignment, and automatic sorting that requires no user input. DASH demonstrates robust performance across users and experimental conditions both in equilibrium and non-equilibrium systems such as Cas12a-mediated DNA cleavage. This paper proposes a novel strategy for the automatic and detailed sorting of single-molecule fluorescence events. The dynamic cleavage process of Cas12a is used as an example to provide a comprehensive analysis. This approach is crucial for studying biokinetic structural changes at the single-molecule level.
- Abstract（参考訳）: 単分子蛍光測定法は生体分子動力学の高分解能解析を可能にするが、従来の分析パイプラインは労働集約的で、ユーザエクスペリエンスに依存し、スケーラビリティと再現性を制限する。
最近のディープラーニングモデルは、データ処理の自動化的な側面を持っているが、その多くは手動のしきい値、複雑なアーキテクチャ、あるいは広範なラベル付きデータを必要とする。
そこで本稿では,ユーザ入力を必要としないトレース分類,状態割当,自動ソートのための,完全に合理化されたアーキテクチャであるDASHを提案する。
DASHは、Cas12aを介するDNA切断のような平衡系と非平衡系の両方の実験条件において、ユーザ間で堅牢な性能を示す。
本稿では, 単分子蛍光イベントの自動的, 詳細なソートのための新しい手法を提案する。
Cas12aの動的切断過程は包括的分析の例として用いられる。
このアプローチは単一分子レベルでの生体動態構造変化の研究に不可欠である。
関連論文リスト
- Mixup-Augmented Meta-Learning for Sample-Efficient Fine-Tuning of
Protein Simulators [29.22292758901411]
分子動力学タスクにソフトプロンプトに基づく学習手法を適用する。
本フレームワークは,ドメイン内データの精度を向上し,未知および分布外サンプルの強力な一般化能力を示す。
論文 参考訳（メタデータ） (2023-08-29T08:29:08Z) - Learning Multiscale Consistency for Self-supervised Electron Microscopy
Instance Segmentation [48.267001230607306]
本稿では,EMボリュームのマルチスケール一貫性を高める事前学習フレームワークを提案する。
当社のアプローチでは,強力なデータ拡張と弱いデータ拡張を統合することで,Siameseネットワークアーキテクチャを活用している。
効果的にボクセルと機能の一貫性をキャプチャし、EM分析のための転送可能な表現を学習する。
論文 参考訳（メタデータ） (2023-08-19T05:49:13Z) - Learning Latent Dynamics via Invariant Decomposition and
(Spatio-)Temporal Transformers [0.6767885381740952]
本研究では,高次元経験データから力学系を学習する手法を提案する。
我々は、システムの複数の異なるインスタンスからデータが利用できる設定に焦点を当てる。
我々は、単純な理論的分析と、合成および実世界のデータセットに関する広範な実験を通して行動を研究する。
論文 参考訳（メタデータ） (2023-06-21T07:52:07Z) - Retrieval-based Controllable Molecule Generation [63.44583084888342]
制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。
我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。
提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
論文 参考訳（メタデータ） (2022-08-23T17:01:16Z) - Extending Process Discovery with Model Complexity Optimization and
Cyclic States Identification: Application to Healthcare Processes [62.997667081978825]
モデル最適化のための半自動支援を実現するプロセスマイニング手法を提案する。
所望の粒度で生モデルを抽象化するモデル単純化手法が提案されている。
医療分野の異なるアプリケーションから得られた3つのデータセットを用いて、技術的ソリューションの能力を実証することを目的としている。
論文 参考訳（メタデータ） (2022-06-10T16:20:59Z) - 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。