論文の概要: Fold'EM: Direct atomic structure inference from Cryo-EM particles

• arxiv url: http://arxiv.org/abs/2610.01358v1
• Date: Thu, 01 Oct 2026 09:28:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.031138
• Title: Fold'EM: Direct atomic structure inference from Cryo-EM particles
• Title（参考訳）: Fold'EM:Cryo-EM粒子からの直接原子構造推定
• Abstract要約: 単一粒子低温電子顕微鏡(cryo-EM)は生体分子構造決定法として広く採用されている。 従来のCryo-EM計算パイプラインは、まず多くの粒子画像を組み合わせて静電ポテンシャル(ESP)マップを再構成し、その後、回収されたマップに原子モデルに適合させる。 本稿では,タンパク質生成モデルとCryo-EM粒子画像を直接組み合わせた推論時間フレームワークFold'EMを紹介する。
• 参考スコア（独自算出の注目度）: 5.540806360333659
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Single-particle cryo-electron microscopy (cryo-EM) has become a widely adopted technique for biomolecular structure determination. The conventional cryo-EM computational pipeline first combines many particle images to reconstruct an electrostatic potential (ESP) map and then fits an atomic model to the recovered map. Density reconstruction has high sample complexity, requiring large numbers of particle images and making structure determination high-cost and low-throughput, particularly for heterogeneous samples. Downstream atomic model building, in turn, becomes increasingly difficult as the resolution of the reconstructed map deteriorates. Protein structure prediction models provide strong sequence-derived priors on atomic structure, and experiment-guided approaches can use these priors to recover structures consistent with experimental measurements. Yet, in cryo-EM, such priors are typically integrated only after density reconstruction during atomic model fitting. We introduce Fold'EM, an inference-time framework that combines priors from protein generative models directly with cryo-EM particle images to determine atomic models from a small number of single particle images, bypassing both intermediate density reconstruction and downstream model building against the reconstructed map. Across synthetic and experimental cryo-EM datasets, Fold'EM recovers accurate atomic structures both with known particle orientations and in an ab-initio setting where orientations are inferred jointly with structure. In heterogeneous datasets, Fold'EM further resolves distinct conformational states from mixed particle populations without separately reconstructing a density map and building an atomic model for each state. We believe these results open new avenues for structure determination in the low-sample regime and for characterizing low-population conformational states directly from cryo-EM particles.
• Abstract（参考訳）: 単一粒子低温電子顕微鏡(cryo-EM)は生体分子構造決定法として広く採用されている。 従来のCryo-EM計算パイプラインは、まず多くの粒子画像を組み合わせて静電ポテンシャル(ESP)マップを再構成し、その後、回収されたマップに原子モデルに適合させる。 密度再構成はサンプルの複雑さが高く、多くの粒子画像が必要であり、特に不均一なサンプルに対して、高コストかつ低スループットで構造を決定できる。 下流の原子モデル構築は、再構成された地図の解像度が劣化するにつれて、ますます困難になる。 タンパク質構造予測モデルは、原子構造に関する強い配列由来の先行情報を提供し、実験誘導アプローチは、これらの先行情報を用いて実験的な測定と整合した構造を復元することができる。 しかし、Cryo-EMでは、そのような前駆体は通常、原子モデルフィッティング中の密度再構成後にのみ統合される。 Fold'EMは、タンパク質生成モデルとCryo-EM粒子画像を直接組み合わせて、少数の単一粒子画像から原子モデルを決定する推論時フレームワークである。 合成および実験的なCreo-EMデータセット全体にわたって、Fold'EMは既知の粒子配向と、配向が構造と共同して推測されるアブ・イニシアト・セッティングの両方で正確な原子構造を復元する。 不均一なデータセットでは、Fold'EMは密度マップを別々に再構築せず、各状態に対して原子モデルを構築することなく、混合粒子群から異なるコンフォメーション状態を分解する。 これらの結果は, 低分子状態における構造決定の新たな道を開くとともに, 低分子状態のコンフォメーションをCryo-EM粒子から直接特徴づけるための道を開くと信じている。

関連論文リスト

• Modeling Atomic Conformational Ensembles of Proteins via Test-Time Supervision of Boltz-2 on Cryo-EM Density Maps [32.750519557768506]
  本稿では,生のCryo-EMマップに基づいて,事前学習した静的構造予測モデルを微調整する新しい原理を提案する。 本稿では,Boltz-2を微調整した原子モデル構築問題に適用し,Cryo-EMマップの入力アンサンブルから原子構造を生成する。
  論文  参考訳（メタデータ） (2026-05-11T00:18:05Z)
• 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)
• 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)
• CryoFastAR: Fast Cryo-EM Ab Initio Reconstruction Made Easy [58.86576215228903]
  我々はCryo-EMノイズ画像から直接ポーズを予測できる最初の幾何学的基礎モデルであるCryoFastARを紹介した。 CryoFastARは、マルチビュー機能と、大規模シミュレーションされたCryo-EMデータに現実的なノイズとCTF変調を統合することで、ポーズ推定精度と一般化を向上する。
  論文  参考訳（メタデータ） (2025-06-06T08:32:32Z)
• Multiscale guidance of AlphaFold3 with heterogeneous cryo-EM data [33.562685684224995]
  低温電子顕微鏡(cryo-EM)は、近原性構造不均一性をイメージングするための強力なツールとして登場した。 ここでは, タンパク質構造予測モデルを用いて学習したCryo-EM密度マップと, 豊富な配列と生物物理学的先行データを組み合わせる。 我々の方法であるCryoBoltzは、大域的および局所的な構造制約を用いて、事前訓練されたタンパク質構造予測モデルのサンプリング軌跡を導出する。
  論文  参考訳（メタデータ） (2025-06-04T22:16:27Z)
• Interpretable Joint Event-Particle Reconstruction for Neutrino Physics at NOvA with Sparse CNNs and Transformers [124.29621071934693]
  本稿では,畳み込みによって実現される空間学習と,注意によって実現される文脈学習を組み合わせた新しいニューラルネットワークアーキテクチャを提案する。 TransformerCVNは各事象を同時に分類し、各粒子のアイデンティティを再構築する。 このアーキテクチャにより、ネットワークの予測に関する洞察を提供する、いくつかの解釈可能性の研究を行うことができる。
  論文  参考訳（メタデータ） (2023-03-10T20:36:23Z)
• Dynamic Latent Separation for Deep Learning [67.62190501599176]
  機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。 本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
  論文  参考訳（メタデータ） (2022-10-07T17:56:53Z)

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。