論文の概要: A differentiable machine learning small-angle X-ray scattering analysis framework for structure elucidation of lipid nanoparticles

• arxiv url: http://arxiv.org/abs/2606.05200v1
• Date: Fri, 22 May 2026 14:52:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-07 20:42:22.60509
• Title: A differentiable machine learning small-angle X-ray scattering analysis framework for structure elucidation of lipid nanoparticles
• Title（参考訳）: 脂質ナノ粒子の構造解明のための機械学習小角散乱分析フレームワーク
• Authors: Maria Bånkestad, Sandra Barman, Magnus Röding, Erik Kaunisto, Viktoriia Meklesh, Audrey Gallud, Marco Mendez, Marianna Yanez Arteta, Stefan Norberg, Ann Terry, Smita Chakraborty, Shun Yu, Jerk Rönnols, Sepideh Pashami,
• Abstract要約: 脂質ナノ粒子 (LNP) は核酸の効率的な輸送システムである。 小角X線散乱(SAXS)はLNPの重要な特性評価手法である。 異種多分散LNPのSAXS解析のための機械学習による高速化・微分可能な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）: 1.9944824880895038
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lipid nanoparticles (LNPs) are efficient delivery systems for negatively charged nucleic acids. Their multi-component architecture yields a core-shell structure. Small-angle X-ray scattering (SAXS) is an important characterization technique for LNPs, but recovering internal structure and size distribution from SAXS is an inverse problem with non-unique solutions. Realistic models are often too expensive for systematic exploration. We introduce a machine-learning-accelerated, differentiable framework for SAXS analysis of heterogeneous, polydisperse LNPs. The forward model combines a core-shell particle with a Gaussian random-field interior, a neural surrogate for the monodisperse SAXS map, and a differentiable layer integrating over particle-size distributions. The surrogate reduces prediction cost by four orders of magnitude, while differentiability enables large-scale multi-start fitting and ensemble identifiability analysis. Applied to synthetic and experimental MC3 LNP data, the framework shows that near-identical SAXS fits can arise from distinct parameter modes, with the experimental fits dominated by a trade-off between size-distribution and interior-structure parameters.
• Abstract（参考訳）: 脂質ナノ粒子 (LNP) は負電荷の核酸を効率的に供給するシステムである。 マルチコンポーネントアーキテクチャはコアシェル構造を生成する。 小角X線散乱(SAXS)はLNPの重要な特性評価手法であるが,SAXSの内部構造とサイズ分布の復元は非特異解の逆問題である。 現実的なモデルは、しばしば体系的な探索には高すぎる。 異種多分散LNPのSAXS解析のための機械学習による高速化・微分可能なフレームワークを提案する。 フォワードモデルは、コア殻粒子とガウスのランダム場内部、単分散SAXSマップのための神経代理、および粒子サイズ分布を結合する微分可能な層を結合する。 シュロゲートは4桁の予測コストを削減し、差別化性は大規模なマルチスタートフィッティングとアンサンブル識別性解析を可能にする。 合成および実験的なMC3 LNPデータに適用すると、ほぼ同一のSAXS適合は異なるパラメータモードから生じることが示され、実験適合はサイズ分布と内部構造パラメータのトレードオフによって支配される。

関連論文リスト

• C2NP: A Benchmark for Learning Scale-Dependent Geometric Invariances in 3D Materials Generation [2.3982445219832678]
  無限結晶ユニットセルと有限ナノ粒子の間を移動する際の生成モデルを評価するためのベンチマークであるCrystal-to-Nano Particle (C2NP) を紹介する。 C2NPは、 (i) 周期単位セルから特定の半径のナノ粒子を生成し、 (i) モデルが表面の切り裂きと幾何学的制約を捉えるかどうかを検証し、 (ii) 有限粒子配置からバルク格子パラメータと空間群対称性を回復する。
  論文  参考訳（メタデータ） (2026-01-27T01:25:50Z)
• Avoided-crossings, degeneracies and Berry phases in the spectrum of quantum noise through analytic Bloch-Messiah decomposition [49.1574468325115]
  解析的ブロッホ・メシア分解 (analytic Bloch-Messiah decomposition) は量子光学系の力学を特徴づけるためのアプローチを提供する。 単一パラメータが変化した場合,回避された交差は自然に発生し,特異ベクトルの過敏性をもたらすことを示す。 我々は,避けられた交差を意図的に設計することで,フォトニックシステムのスペクトル応答をプログラムできる可能性を強調した。
  論文  参考訳（メタデータ） (2025-04-29T13:14:15Z)
• CREASE-2D Analysis of Small Angle X-ray Scattering Data from Supramolecular Dipeptide Systems [0.5277756703318045]
  我々は、最近開発された機械学習(ML)ベースのCREASE-2D法を拡張し、超分子性ジペプチドミセル系の小角X線散乱測定から得られた2次元散乱パターン全体を分析する。
  論文  参考訳（メタデータ） (2025-04-04T18:53:32Z)
• Interpretable Multimodal Machine Learning Analysis of X-ray Absorption Near-Edge Spectra and Pair Distribution Functions [0.0]
  X線近縁スペクトル (XANES) と原子対分布関数 (PDFs) を組み合わせて, 遷移金属カチオンの局所構造と化学的環境を抽出する。 XANESのみのモデルは概してPDFのみのモデルよりも優れており、構造的なタスクでも優れていた。
  論文  参考訳（メタデータ） (2024-10-22T22:49:31Z)
• Diffusion models as probabilistic neural operators for recovering unobserved states of dynamical systems [49.2319247825857]
  拡散に基づく生成モデルは、ニューラル演算子に好適な多くの特性を示す。 本稿では,複数のタスクに適応可能な単一モデルを,トレーニング中のタスク間で交互に学習することを提案する。
  論文  参考訳（メタデータ） (2024-05-11T21:23:55Z)
• Disentangling multiple scattering with deep learning: application to strain mapping from electron diffraction patterns [48.53244254413104]
  我々は、高非線形電子回折パターンを定量的構造因子画像に変換するために、FCU-Netと呼ばれるディープニューラルネットワークを実装した。 結晶構造の異なる組み合わせを含む20,000以上のユニークな動的回折パターンを用いてFCU-Netを訓練した。 シミュレーションされた回折パターンライブラリ、FCU-Netの実装、訓練されたモデルの重み付けは、オープンソースリポジトリで自由に利用可能です。
  論文  参考訳（メタデータ） (2022-02-01T03:53:39Z)
• Complexity from Adaptive-Symmetries Breaking: Global Minima in the Statistical Mechanics of Deep Neural Networks [0.0]
  深部ニューラルネットワーク(DNN)を理解するために、物理における保守対称性への適応対称性というアンチセティカル概念を提案する。 我々はDNNシステムの最適化過程を適応対称性破りの拡張プロセスとして特徴付けている。 より具体的には、この過程は統計物理学の一般化として評価できる統計力学モデルによって特徴づけられる。
  論文  参考訳（メタデータ） (2022-01-03T09:06:44Z)
• A deep learning driven pseudospectral PCE based FFT homogenization algorithm for complex microstructures [68.8204255655161]
  提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。 提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
  論文  参考訳（メタデータ） (2021-10-26T07:02:14Z)
• A probabilistic deep learning approach to automate the interpretation of multi-phase diffraction spectra [4.240899165468488]
  シミュレーション回折スペクトルで訓練されたアンサンブル畳み込みニューラルネットワークを開発し、複素多相混合を同定する。 シミュレーションおよび実験的に測定された回折スペクトルをベンチマークし, これまでに報告した手法よりも精度が優れていることを示す。
  論文  参考訳（メタデータ） (2021-03-30T20:13:01Z)
• Stochastic Approximation for Online Tensorial Independent Component Analysis [98.34292831923335]
  独立成分分析(ICA)は統計機械学習や信号処理において一般的な次元削減ツールである。 本稿では,各独立成分を推定する副産物オンライン時系列アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-12-28T18:52:37Z)

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。