論文の概要: Unsupervised SE(3) Disentanglement for in situ Macromolecular Morphology Identification from Cryo-Electron Tomography
- arxiv url: http://arxiv.org/abs/2601.01364v1
- Date: Sun, 04 Jan 2026 04:37:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-06 16:25:22.25728
- Title: Unsupervised SE(3) Disentanglement for in situ Macromolecular Morphology Identification from Cryo-Electron Tomography
- Title（参考訳）: 無監督SE(3)Cryo-Electron Tomography によるin situ Macromolecular Morphologyの同定
- Authors: Mostofa Rafid Uddin, Mahek Vora, Qifeng Wu, Muyuan Chen, Min Xu,
- Abstract要約: クライオ電子トモグラフィー(cryo-ET)は、細胞内の高分子を直接3D可視化する。
したがって、モルフォロジーを推定することは、テンプレート形態とSE(3)変換の両方を推定する逆問題である。
既存の予想最大化に基づく解は、しばしば稀だが重要な形態を欠いている。
本稿では,SE(3)変換を表現空間における形態的内容から分離する,非絡み合った深層表現学習フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 6.775673078564232
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cryo-electron tomography (cryo-ET) provides direct 3D visualization of macromolecules inside the cell, enabling analysis of their in situ morphology. This morphology can be regarded as an SE(3)-invariant, denoised volumetric representation of subvolumes extracted from tomograms. Inferring morphology is therefore an inverse problem of estimating both a template morphology and its SE(3) transformation. Existing expectation-maximization based solution to this problem often misses rare but important morphologies and requires extensive manual hyperparameter tuning. Addressing this issue, we present a disentangled deep representation learning framework that separates SE(3) transformations from morphological content in the representation space. The framework includes a novel multi-choice learning module that enables this disentanglement for highly noisy cryo-ET data, and the learned morphological content is used to generate template morphologies. Experiments on simulated and real cryo-ET datasets demonstrate clear improvements over prior methods, including the discovery of previously unidentified macromolecular morphologies.
- Abstract（参考訳）: クライオ電子トモグラフィー(cryo-ET)は、細胞内の高分子の直接3次元可視化を提供し、そのin situ形態の解析を可能にする。
この形態は、トモグラムから抽出されたサブボリュームのSE(3)不変な分別体積表現と見なすことができる。
したがって、モルフォロジーを推定することは、テンプレート形態とSE(3)変換の両方を推定する逆問題である。
既存の予想最大化に基づく解は、しばしば稀だが重要な形態を見逃し、手動ハイパーパラメータチューニングを必要とする。
本稿では,SE(3)変換を表現空間における形態的内容から分離する,非絡み合った深層表現学習フレームワークを提案する。
本発明のフレームワークは、高ノイズなCryo-ETデータに対してこの絡み合いを可能にする、新しいマルチチョイス学習モジュールを含み、学習されたモルフォロジー内容を用いてテンプレート形態を生成する。
シミュレーションおよび実際のCryo-ETデータセットの実験は、以前同定されなかったマクロ分子形態の発見など、以前の方法よりも明らかに改善されている。
関連論文リスト
- Morphologically Intelligent Perturbation Prediction with FORM [2.9316801942271304]
FORMは、三次元細胞構造における摂動によって引き起こされる変化を予測する機械学習フレームワークである。
多様な化学的および遺伝的摂動にまたがる65,000以上の3D細胞ボリュームの大規模なデータセットで訓練された。
MorphoEvalは、構造、統計、生物学的次元における摂動によって引き起こされる変化を定量化するベンチマークスイートである。
論文 参考訳（メタデータ） (2025-10-24T11:03:20Z) - Aligned Manifold Property and Topology Point Clouds for Learning Molecular Properties [55.2480439325792]
この研究は、局所量子由来のスカラー場とカスタムトポロジカルディスクリプタを組み合わせた分子表面表現であるAMPTCRを導入する。
分子量については、AMPTCRが物理的に意味のあるデータをコードし、検証R2は0.87であることを確認した。
細菌抑制タスクでは、AMPTCRは大腸菌阻害値の分類と直接回帰の両方を可能にする。
論文 参考訳（メタデータ） (2025-07-22T04:35:50Z) - DiffSpectra: Molecular Structure Elucidation from Spectra using Diffusion Models [68.19129717255053]
本稿では、分子構造解明を条件生成プロセスとして定式化する生成フレームワークであるDiffSpectraについて述べる。
我々の実験では、DiffSpectraが分子構造を正確に解明し、40.76%のトップ-1と99.49%のトップ10を達成している。
論文 参考訳（メタデータ） (2025-07-09T13:57:20Z) - Reconstructing Heterogeneous Biomolecules via Hierarchical Gaussian Mixtures and Part Discovery [30.195615398809043]
クライエミクス(Cryo-EM)は、分子生物学において、非常にノイズの多い2次元電子顕微鏡画像から原子分解能で3次元分子構造を推定するための計算手法である。
階層型ガウス混合モデルを用いた新しい3次元再構成フレームワークを提案する。
特に、モデルの構造は粒子の部分的分割を推論する初期過程に基礎を置いており、コンフォメーションと組成のばらつきの両方を扱うために必須な帰納的バイアスを与える。
論文 参考訳（メタデータ） (2025-06-06T22:38:54Z) - ShapeMamba-EM: Fine-Tuning Foundation Model with Local Shape Descriptors and Mamba Blocks for 3D EM Image Segmentation [49.42525661521625]
本稿では3次元EMセグメンテーションのための特殊微調整法であるShapeMamba-EMを提案する。
5つのセグメンテーションタスクと10のデータセットをカバーする、幅広いEMイメージでテストされている。
論文 参考訳（メタデータ） (2024-08-26T08:59:22Z) - Advancing Medical Image Segmentation: Morphology-Driven Learning with Diffusion Transformer [4.672688418357066]
本稿では,雑音の存在下での頑健なセグメンテーションのためのトランスフォーマー拡散(DTS)モデルを提案する。
画像の形態的表現を解析する本モデルでは, 種々の医用画像モダリティにおいて, 従来のモデルよりも良好な結果が得られた。
論文 参考訳（メタデータ） (2024-08-01T07:35:54Z) - SE3Set: Harnessing equivariant hypergraph neural networks for molecular representation learning [27.713870291922333]
分子表現学習に適したSE(3)同変ハイパーグラフニューラルネットワークアーキテクチャを開発した。
SE3Setは、小さな分子データセットのための最先端(SOTA)モデルと同等のパフォーマンスを示している。
MD22データセットを上回り、全ての分子で約20%の精度で顕著な改善を達成している。
論文 参考訳（メタデータ） (2024-05-26T10:43:16Z) - Labeled Morphological Segmentation with Semi-Markov Models [127.69031138022534]
いくつかのタスクを統一する形態的処理の代替として,ラベル付き形態的セグメンテーションを提案する。
また、形態素タグセットの新しい階層も導入する。
形態素を明示的にモデル化する識別型形態素分割システムであるモデル名を開発した。
論文 参考訳（メタデータ） (2024-04-13T12:51:53Z) - E(3)-equivariant models cannot learn chirality: Field-based molecular generation [51.327048911864885]
キラリティは薬物の安全性と効力性を決定する上で重要な役割を果たしている。
回転対称性の制約に取って代わる基準回転を提案する。
提案モデルでは、キラル性を含む全ての分子測地を捕捉するが、標準ベンチマーク指標のE(3)に基づく手法と高い競争性能を保っている。
論文 参考訳（メタデータ） (2024-02-24T17:13:58Z) - Deep learning based mixed-dimensional GMM for characterizing variability
in CryoEM [0.0]
CryoEMは、コンフォメーション状態とコンフォメーション状態の異なる個々のマクロ分子を直接可視化する。
タンパク質や複合体のコンフォメーションランドスケープを決定する機械学習アルゴリズムを提案する。
本手法をいくつかの異なる生体分子系に応用し,様々なスケールで組成変化およびコンフォメーション変化を探索する。
論文 参考訳（メタデータ） (2021-01-25T19:05:23Z)
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。