論文の概要: CryoLVM: Self-supervised Learning from Cryo-EM Density Maps with Large Vision Models

• arxiv url: http://arxiv.org/abs/2602.02620v1
• Date: Mon, 02 Feb 2026 13:36:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:14.986904
• Title: CryoLVM: Self-supervised Learning from Cryo-EM Density Maps with Large Vision Models
• Title（参考訳）: CryoLVM:大規模ビジョンモデルを用いたCryo-EM密度マップからの自己教師型学習
• Authors: Weining Fu, Kai Shu, Kui Xu, Qiangfeng Cliff Zhang,
• Abstract要約: CryoLVMは, 解析された構造を持つ実験密度写像から, リッチな構造表現を学習する基礎モデルである。 我々は,CryoLVMの有効性を,密度マップのシャープ化,密度マップの超解像化,ウェッジ復元の欠如という3つのクリティカルなCryo-EMタスクで実証した。
• 参考スコア（独自算出の注目度）: 20.31346781705925
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cryo-electron microscopy (cryo-EM) has revolutionized structural biology by enabling near-atomic-level visualization of biomolecular assemblies. However, the exponential growth in cryo-EM data throughput and complexity, coupled with diverse downstream analytical tasks, necessitates unified computational frameworks that transcend current task-specific deep learning approaches with limited scalability and generalizability. We present CryoLVM, a foundation model that learns rich structural representations from experimental density maps with resolved structures by leveraging the Joint-Embedding Predictive Architecture (JEPA) integrated with SCUNet-based backbone, which can be rapidly adapted to various downstream tasks. We further introduce a novel histogram-based distribution alignment loss that accelerates convergence and enhances fine-tuning performance. We demonstrate CryoLVM's effectiveness across three critical cryo-EM tasks: density map sharpening, density map super-resolution, and missing wedge restoration. Our method consistently outperforms state-of-the-art baselines across multiple density map quality metrics, confirming its potential as a versatile model for a wide spectrum of cryo-EM applications.
• Abstract（参考訳）: 核電子顕微鏡(cryo-EM)は、生体分子集合体の原子レベルでの可視化を可能にし、構造生物学に革命をもたらした。 しかし、Cryo-EMデータスループットと複雑性の指数関数的増加と、さまざまな下流分析タスクが組み合わさって、現在のタスク固有のディープラーニングアプローチを拡張性と一般化性に制限して超越する統合的な計算フレームワークが必要である。 我々は,SCUNetベースのバックボーンと統合されたJEPA(Joint-Embedding Predictive Architecture)を活用し,実験密度マップからリッチな構造表現を学習する基盤モデルCryoLVMを提案する。 さらに、収束を加速し、微調整性能を向上させるヒストグラムに基づく分布アライメント損失を新たに導入する。 我々は,CryoLVMの有効性を,密度マップのシャープ化,密度マップの超解像化,ウェッジ復元の欠如という3つのクリティカルなCryo-EMタスクで実証した。 提案手法は,複数の密度マップの品質指標にまたがる最先端のベースラインを連続的に上回り,その可能性を広い範囲のCryo-EM応用のための汎用モデルとして確認する。

関連論文リスト

• CryoSplat: Gaussian Splatting for Cryo-EM Homogeneous Reconstruction [48.45613121595709]
  低温電子顕微鏡(cryo-EM)は、分子構造をほぼ原子の分解能で決定するのに役立つ。 単一粒子Cryo-EMにおける中心的な計算課題は、未知の方向で取得されたノイズの多い2Dプロジェクションから分子の3次元静電ポテンシャルを再構築することである。 本稿では,GMMをベースとしたCryoSplatを提案し,Gaussian splattingとCryo-EM画像形成の物理を統合する。
  論文  参考訳（メタデータ） (2025-08-06T23:24:43Z)
• CryoSAMU: Enhancing 3D Cryo-EM Density Maps of Protein Structures at Intermediate Resolution with Structure-Aware Multimodal U-Nets [10.433861497458212]
  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。
  論文  参考訳（メタデータ） (2025-03-26T07:33:36Z)
• 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)
• GPU-Accelerated RSF Level Set Evolution for Large-Scale Microvascular Segmentation [2.5003043942194236]
  本稿では,地域スケーラブルフィッティング(RSF)レベルセットモデルの改訂と実装を提案する。 これにより、単命令多重データ(SIMD)と単プログラム多重データ(SPMD)並列処理の両方を用いて3次元評価が可能となる。 我々は、最先端イメージング技術を用いて取得した複数のデータセットに対して、この3次元並列RSF手法を用いて、微小血管データを取得することを試みた。
  論文  参考訳（メタデータ） (2024-04-03T15:37:02Z)
• 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)
• When Residual Learning Meets Dense Aggregation: Rethinking the Aggregation of Deep Neural Networks [57.0502745301132]
  我々は,グローバルな残差学習と局所的なマイクロセンスアグリゲーションを備えた新しいアーキテクチャであるMicro-Dense Netsを提案する。 我々のマイクロセンスブロックはニューラルアーキテクチャ検索に基づくモデルと統合して性能を向上させることができる。
  論文  参考訳（メタデータ） (2020-04-19T08:34:52Z)

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。