論文の概要: CryoNet.Refine: A One-step Diffusion Model for Rapid Refinement of Structural Models with Cryo-EM Density Map Restraints

• arxiv url: http://arxiv.org/abs/2602.22263v1
• Date: Wed, 25 Feb 2026 04:18:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.334654
• Title: CryoNet.Refine: A One-step Diffusion Model for Rapid Refinement of Structural Models with Cryo-EM Density Map Restraints
• Title（参考訳）: CryoNet.Refine: Cryo-EMdentity Map Restraintsを用いた構造モデルの高速再精製のための1段階拡散モデル
• Authors: Fuyao Huang, Xiaozhu Yu, Kui Xu, Qiangfeng Cliff Zhang,
• Abstract要約: 低温電子顕微鏡(cryo-EM)による高分解能構造決定には、原子モデルの実験密度マップへの正確な適合が必要である。 Phenix.real_space_refineやRosettaのような従来の精細化パイプラインは計算に高価であり、広範囲な手動チューニングを必要としており、研究者にとって重大なボトルネックとなっている。 CryoNet.Refineは、分子構造解析の自動化と高速化を行うエンドツーエンドのディープラーニングフレームワークである。
• 参考スコア（独自算出の注目度）: 1.8258768289095222
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-resolution structure determination by cryo-electron microscopy (cryo-EM) requires the accurate fitting of an atomic model into an experimental density map. Traditional refinement pipelines such as Phenix.real_space_refine and Rosetta are computationally expensive, demand extensive manual tuning, and present a significant bottleneck for researchers. We present CryoNet.Refine, an end-to-end deep learning framework that automates and accelerates molecular structure refinement. Our approach utilizes a one-step diffusion model that integrates a density-aware loss function with robust stereochemical restraints, enabling rapid optimization of a structure against experimental data. CryoNet.Refine provides a unified and versatile solution capable of refining protein complexes as well as DNA/RNA-protein complexes. In benchmarks against Phenix.real_space_refine, CryoNet.Refine consistently achieves substantial improvements in both model-map correlation and overall geometric quality metrics. By offering a scalable, automated, and powerful alternative, CryoNet.Refine aims to serve as an essential tool for next-generation cryo-EM structure refinement. Web server: https://cryonet.ai/refine; Source code: https://github.com/kuixu/cryonet.refine.
• Abstract（参考訳）: 低温電子顕微鏡(cryo-EM)による高分解能構造決定には、原子モデルの実験密度マップへの正確な適合が必要である。 Phenix.real_space_refineやRosettaのような従来の精細化パイプラインは計算に高価であり、広範囲な手動チューニングを必要としており、研究者にとって重大なボトルネックとなっている。 CryoNet.Refineは、分子構造解析の自動化と高速化を行うエンドツーエンドのディープラーニングフレームワークである。 提案手法は, 密度認識損失関数と頑健な立体化学抑制を融合した一段階拡散モデルを用いて, 実験データに対する構造物の迅速な最適化を可能にする。 CryoNet.Refineは、タンパク質複合体とDNA/RNA-タンパク質複合体を精製できる統一的で汎用的なソリューションを提供する。 Phenix.real_space_refineに対するベンチマークでは、CryoNet.Refineは、モデル-マップ相関と全体的な幾何学的品質指標の両方において、大幅に改善されている。 CryoNet.Refineはスケーラブルで自動化され、強力な代替手段を提供することで、次世代のCryo-EM構造改善に不可欠なツールとなることを目指している。 Webサーバ: https://cryonet.ai/refine; ソースコード: https://github.com/kuixu/cryonet.refine

関連論文リスト

• CryoLVM: Self-supervised Learning from Cryo-EM Density Maps with Large Vision Models [20.31346781705925]
  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。
  論文  参考訳（メタデータ） (2026-02-02T13:36:36Z)
• SCEESR: Semantic-Control Edge Enhancement for Diffusion-Based Super-Resolution [0.8122270502556375]
  現実世界の超解像は複雑な劣化と固有の再構成の曖昧さに対処しなければならない。 一段階拡散モデルは速度を提供するが、蒸留品による構造的不正確さをしばしば生み出す。 セマンティックエッジガイダンスのための制御ネット機構を用いて,一段階拡散モデルを強化する新しいSRフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-22T06:06:01Z)
• 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)
• Review of Deep Learning Applications to Structural Proteomics Enabled by Cryogenic Electron Microscopy and Tomography [9.273554898053678]
  低温電子顕微鏡(cryoEM)とトモグラフィ(cryoET)の進歩により「cryoEM革命」は高分解能構造データにおいて指数関数的に成長した 構造的解決への深層学習の統合は、低信号対雑音比、優先方向アーティファクト、欠落問題など、長年にわたる課題に対処する。 本稿では,畳み込みニューラルネットワークを用いた自動粒子抽出から,好みの配向バイアスに対する計算解まで,CreoEMパイプライン全体にわたるAI応用について検討する。
  論文  参考訳（メタデータ） (2025-07-25T16:15:09Z)
• DiffMS: Diffusion Generation of Molecules Conditioned on Mass Spectra [60.39311767532607]
  本稿では,DiffMSを提案する。DiffMS,式制限付きエンコーダ・デコーダ生成ネットワークは,このタスクにおける最先端性能を実現する。 遅延埋め込みと分子構造をブリッジするロバストデコーダを開発するために,フィンガー構造対による拡散デコーダの事前訓練を行う。 確立されたベンチマーク実験により、DiffMSはデノボ分子生成における既存のモデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-13T18:29:48Z)
• 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)
• Latent Conservative Objective Models for Data-Driven Crystal Structure Prediction [62.36797874900395]
  計算化学において、結晶構造予測は最適化問題である。 この問題に対処する1つのアプローチは、密度汎関数理論(DFT)に基づいてシミュレータを構築し、続いてシミュレーションで探索を実行することである。 我々は,LCOM(最近の保守的客観モデル)と呼ばれる我々の手法が,構造予測の成功率の観点から,最も優れたアプローチと同等に機能することを示す。
  論文  参考訳（メタデータ） (2023-10-16T04:35:44Z)

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。