論文の概要: CryoProt: A Protein Pretraining Framework with Cross-Box Interactions on Cryo-EM Density Maps

• arxiv url: http://arxiv.org/abs/2606.00955v1
• Date: Sun, 31 May 2026 02:13:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.998064
• Title: CryoProt: A Protein Pretraining Framework with Cross-Box Interactions on Cryo-EM Density Maps
• Title（参考訳）: CryoProt: Cryo-EM密度マップ上のクロスボックス相互作用を用いたタンパク質事前学習フレームワーク
• Authors: Dan Luo, Xuan Lin, Peng Zhou, Junwen Zhu, Tengfei Ma, Xiangxiang Zeng, Yiping Liu,
• Abstract要約: 我々はCryoProtを提案する。CryoProtはCleo-EM密度マップ用に設計されたタンパク質事前学習フレームワークである。 CryoProtはマルチヘッド潜在注意(MLA)に基づいたマップを導入し、ボックスレベルの表現が共有潜在空間を介して対話する。 結果は、CryoProtが既存の最先端メソッドを複数のベンチマークで一貫して上回っていることを示している。
• 参考スコア（独自算出の注目度）: 22.579493804465738
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite the growing availability of cryo-electron microscopy (cryo-EM) density maps, effectively leveraging them for protein representation remains challenging. First, current methods lack a general-purpose protein pretraining framework tailored for cryo-EM density maps, designed for protein-related property prediction. Second, existing approaches typically partition density maps into local box regions and model them independently, overlooking interactions across boxes which are essential for capturing global structural context in cryo-EM density map. To address these challenges, we propose CryoProt, a protein pretraining framework designed for cryo-EM density maps. CryoProt introduces a Map Encoder based on multi-head latent attention (MLA), where box-level representations interact through a shared latent space, enabling explicit modeling of cross-box dependencies within the density map. Furthermore, we adopt a multi-task pretraining strategy to learn generalizable representations that can be effectively transferred to diverse downstream tasks, such as protein flexibility prediction, where cryo-EM density maps are not required and can be inferred implicitly by the pretrained model. Experimental results demonstrate that CryoProt consistently outperforms existing state-of-the-art methods across multiple benchmarks, achieving up to 12% improvement over the best-performing baselines, highlighting the importance of modeling cross-box interactions in cryo-EM data. The source code is publicly available at https://anonymous.4open.science/r/CryoProt.
• Abstract（参考訳）: クリオ電子顕微鏡(cryo-EM)密度マップが普及しているにもかかわらず、タンパク質の表現に効果的に活用することは依然として困難である。 第一に、現在の手法では、タンパク質関連特性予測のために設計された、Cryo-EM密度マップに適した汎用的なタンパク質事前学習フレームワークが欠如している。 第二に、既存のアプローチは通常、密度マップを局所的なボックス領域に分割し、それらを個別にモデル化する。 これらの課題に対処するために、CryoProtは、Cleo-EM密度マップ用に設計されたタンパク質事前学習フレームワークである。 CryoProtはMulti-head Latent attention (MLA)に基づくMap Encoderを導入し、ボックスレベルの表現が共有潜在空間を介して相互作用し、密度マップ内のクロスボックス依存関係の明示的なモデリングを可能にする。 さらに,Creo-EM密度マップを必要とせず,事前学習モデルによって暗黙的に推測できるタンパク質の柔軟性予測など,多様な下流タスクに効果的に伝達可能な一般化可能な表現を学習するためのマルチタスク事前学習戦略を採用する。 実験の結果、CryoProtは複数のベンチマークで既存の最先端メソッドを一貫して上回り、最高のパフォーマンスのベースラインよりも最大12%の改善を実現し、Cryo-EMデータにおけるクロスボックスインタラクションのモデル化の重要性を強調した。 ソースコードはhttps://anonymous.4open.science/r/CryoProt.comで公開されている。

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)
• Density-based Object Detection in Crowded Scenes [54.037103707572136]
  密度誘導型アンカー(DGA)と密度誘導型NMS(DG-NMS)を提案する。 DGAは最適なアンカー割り当てとリウィーリング、および適応的なNMSを計算する。 Citypersonsデータセットを用いたCrowdHumanデータセットの挑戦実験により、提案した密度誘導検出器は、混雑に対して有効で堅牢であることが示された。
  論文  参考訳（メタデータ） (2025-04-14T02:41:49Z)
• 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)
• Efficient Masked AutoEncoder for Video Object Counting and A Large-Scale Benchmark [52.339936954958034]
  前景の動的不均衡は、ビデオオブジェクトのカウントにおいて大きな課題である。 本稿では,密度埋め込み型効率的なマスドオートエンコーダカウント(E-MAC)フレームワークを提案する。 さらに,渡り鳥保護のための自然シナリオにおいて,まず,大規模なビデオバードカウントデータセットであるDroneBirdを提案する。
  論文  参考訳（メタデータ） (2024-11-20T06:08:21Z)
• 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)
• $CrowdDiff$: Multi-hypothesis Crowd Density Estimation using Diffusion Models [26.55769846846542]
  群集カウントは群集分析の基本的な問題であり、群集密度マップを推定し、群集密度値の和を和らげることが典型的である。 逆拡散過程として群衆密度マップを生成するCrowdDiff$を提示する。 また,拡散モデルの性質から,数量化性能を向上させるため,複数の密度マップを作成することを提案する。
  論文  参考訳（メタデータ） (2023-03-22T17:58:01Z)

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。