論文の概要: ProFusion: 3D Reconstruction of Protein Complex Structures from Multi-view AFM Images

• arxiv url: http://arxiv.org/abs/2509.15242v1
• Date: Wed, 17 Sep 2025 16:40:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:10.81191
• Title: ProFusion: 3D Reconstruction of Protein Complex Structures from Multi-view AFM Images
• Title（参考訳）: 多視点AFM画像からのタンパク質複合体構造の3次元再構成
• Authors: Jaydeep Rade, Md Hasibul Hasan Hasib, Meric Ozturk, Baboucarr Faal, Sheng Yang, Dipali G. Sashital, Vincenzo Venditti, Baoyu Chen, Soumik Sarkar, Adarsh Krishnamurthy, Anwesha Sarkar,
• Abstract要約: ProFusionは、深層学習モデルとAFM(Atomic Force Microscopy)を統合するフレームワークである。 我々は,多視点合成AFM画像を用いた542,000タンパク質のデータセットを生成する。 我々は条件付き拡散モデルを用いて、未提示の入力から新しいビューを合成し、インスタンス固有のニューラルレージアンスフィールド(NeRF)モデルを用いて3D構造を再構成する。
• 参考スコア（独自算出の注目度）: 8.107910260554346
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: AI-based in silico methods have improved protein structure prediction but often struggle with large protein complexes (PCs) involving multiple interacting proteins due to missing 3D spatial cues. Experimental techniques like Cryo-EM are accurate but costly and time-consuming. We present ProFusion, a hybrid framework that integrates a deep learning model with Atomic Force Microscopy (AFM), which provides high-resolution height maps from random orientations, naturally yielding multi-view data for 3D reconstruction. However, generating a large-scale AFM imaging data set sufficient to train deep learning models is impractical. Therefore, we developed a virtual AFM framework that simulates the imaging process and generated a dataset of ~542,000 proteins with multi-view synthetic AFM images. We train a conditional diffusion model to synthesize novel views from unposed inputs and an instance-specific Neural Radiance Field (NeRF) model to reconstruct 3D structures. Our reconstructed 3D protein structures achieve an average Chamfer Distance within the AFM imaging resolution, reflecting high structural fidelity. Our method is extensively validated on experimental AFM images of various PCs, demonstrating strong potential for accurate, cost-effective protein complex structure prediction and rapid iterative validation using AFM experiments.
• Abstract（参考訳）: サイリコ法におけるAIベースのタンパク質構造予測は改善されているが、しばしば3次元空間的手がかりが欠如しているため、複数の相互作用するタンパク質を含む大きなタンパク質複合体(PC)と競合する。 Cryo-EMのような実験技術は正確だが費用がかかる。 本稿では,原子間力顕微鏡(AFM)とディープラーニングモデルを統合したハイブリッドフレームワークProFusionについて述べる。 しかし、ディープラーニングモデルを訓練するのに十分な大規模なAFM画像データセットを生成することは現実的ではない。 そこで我々は,画像処理をシミュレートする仮想AFMフレームワークを開発し,多視点合成AFM画像を用いた542,000タンパク質のデータセットを作成した。 我々は条件付き拡散モデルを用いて、未提示の入力から新しいビューを合成し、インスタンス固有のニューラルレージアンスフィールド(NeRF)モデルを用いて3D構造を再構成する。 再構成された3Dタンパク質構造はAFM像の分解能において平均的なChamfer Distanceを実現し,高い構造的忠実度を反映している。 提案手法は各種PCのAFM画像に対して広範に検証され,高精度で費用対効果の高いタンパク質複合体構造予測と,AFM実験による迅速な反復的検証の可能性が示された。

関連論文リスト

• DiffSpectra: Molecular Structure Elucidation from Spectra using Diffusion Models [66.41802970528133]
  スペクトルからの分子構造解明は化学の基礎的な問題である。 従来の手法は専門家の解釈に大きく依存し、拡張性に欠ける。 マルチモーダルスペクトルデータから2次元および3次元分子構造を直接推定する生成フレームワークであるDiffSpectraを提案する。
  論文  参考訳（メタデータ） (2025-07-09T13:57:20Z)
• DiffusionSfM: Predicting Structure and Motion via Ray Origin and Endpoint Diffusion [53.70278210626701]
  マルチビュー画像から3次元シーン形状とカメラポーズを直接推定するデータ駆動型マルチビュー推論手法を提案する。 我々のフレームワークであるDiffusionSfMは、シーン幾何学とカメラを、グローバルフレーム内のピクセルワイズ線源とエンドポイントとしてパラメータ化します。 我々は、DiffusionSfMを合成データセットと実データセットの両方で実証的に検証し、古典的および学習ベースのアプローチよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-05-08T17:59:47Z)
• 3D Reconstruction of Protein Structures from Multi-view AFM Images using Neural Radiance Fields (NeRFs) [8.257409049477827]
  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。
  論文  参考訳（メタデータ） (2024-08-12T15:53:24Z)
• MSDiff: Multi-Scale Diffusion Model for Ultra-Sparse View CT Reconstruction [5.5805994093893885]
  マルチスケールディフ融合モデル(MSDiff)を用いた超スパースCT再構成法を提案する。 提案モデルは,包括的サンプリングと選択的スパースサンプリング技術の両方からの情報を統合する。 プロジェクションデータ内の固有相関を利用して、同値マスクを設計し、モデルがより効果的に注意を集中できるようにする。
  論文  参考訳（メタデータ） (2024-05-09T14:52:32Z)
• 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)
• 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)
• 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)

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。