Mar, 2018

用于冷冻电子显微图中粒子拾取的正负样本卷积神经网络

PDF
TL;DR本文提出了一种基于神经网络，结合未标记样本的 PU 学习框架来进行高效准确颗粒自动挑选的方法 Topaz，并展示其在三个公共 cryoEM 数据集中的应用能够获得比已有方法更高的重构分辨率，尤其是对于非球形蛋白等难以处理的数据集。
cryo-electron microscopyprotein structure determinationneural networksparticle pickingpositive-unlabeled learning
发现论文，激发创造
  • CryoMAE：基于掩蔽自动编码器的少样本冷冻电镜粒子挑选

    利用少样本学习的蒙版自编码器方法（cryoMAE），克服了冷冻电子显微镜中粒子选择的问题，提高了三维重建分辨率 22.4%。

    Apr, 2024

  • FakET：利用神经风格迁移模拟冷冻电子层析图

    本文提出一种基于加性噪声和神经风格迁移技术的电子显微镜前向算子模拟方法，加速了数据生成过程，同时利用 GPU 加速和并行处理，可作为数据增强技术或单独使用以适应数据集，其在粒子定位和分类任务上的表现与基准相当，并且需要的训练数据集要少 33 倍。

    Apr, 2023

  • GenEM: 物理信息生成式低温电子显微镜

    提出了一种新的方法 ——GenEM，该方法是将物理准确的冷冻电镜模拟和生成式非成对噪声转换相结合，生成具有真实噪声的合成冷冻电镜数据集，用于改善高分辨率蛋白质结构的重建分辨率。

    Dec, 2023

  • 通过基于提示的学习改进冷冻电镜显微图中的蛋白质识别的分段任意模型 (SAM) 的适应性

    使用基于提示的学习策略改进了 Segment Anything Model (SAM) 模型在冷冻电子显微镜（cryo-EM）中的应用，为蛋白质识别、生物医学图像分割和目标检测等领域提供了潜在的发展前景。

    Nov, 2023

  • 从冷冻电子显微图像中重建 3D 蛋白质结构的连续分布

    本文介绍了一种新颖的通过深度神经网络在傅里叶空间编码结构，将粒子和共同体的不断变化的结构进行建模，并通过准确的图像定向使得模型能从无标注的 2D 冷冻电镜图像训练出来，最终得到了一种直接对冷冻电镜图像进行连续体蛋白质结构建模的方法 cryoDRGN，在模拟和真实 2D 冷冻电镜图像数据上实现了 3D 蛋白质复合物的 ab initio 重建。

    Sep, 2019

  • 一种基于图神经网络的冷冻电镜地图自动建模方法

    本文介绍一种利用图形神经网络（GNN）的自动化方法，通过结合来自冷冻电子显微镜（cryo-EM）数据和氨基酸序列数据以及对蛋白质几何的先验知识，对蛋白质原子模型的自动构建进行改进，并对 28 个测试案例进行了验证。结果表明，在分辨率优于 3.5 Å 的 cryo-EM 图中，我们的方法优于现有技术，并且接近于手动构建。

    Sep, 2022

  • 用预训练神经网络集成进行透射电子显微图像分割和质量检测

    本专业研究了机器学习在电子显微数据集分析中的应用问题，因为这种类型的数据集具有许多挑战，包括训练数据集大小限制、试样质量及实验条件的变化等。研究发现，使用 EA 方案的集合设计比 ER 方式更适合处理这些问题，因为 EA 表现出更好的分类精度和更好的校准性，而这两种集合的不确定性量化相当。

    Sep, 2022

  • Cryo-CARE: 适用于低温透射电子显微镜数据的内容感知图像修复

    本文介绍了如何将深度学习中的图像去噪方法应用于冷冻透射电子显微镜（cryo-TEM）数据中，实现了对每个投影和整个图像容量的去噪，并通过自动化下游处理的方式证明了去噪后数据的可解释性和提高的分割结果。

    Oct, 2018

  • 鲁棒的单颗粒冷冻电镜图像去噪与修复

    该研究介绍了一种扩散模型和后处理框架，能够有效地降噪和修复单颗粒冷冻电子显微图像，并能够获得更准确和高分辨率的三维重建结构。

    Jan, 2024

  • 基于冰冻电子显微密度图的蛋白质结构的深度学习重建：最新进展与未来的方向

    综述了用于自动重建蛋白质结构的各种深度学习方法，分析了它们的影响，并讨论了为训练深度学习模型准备高质量数据集的挑战。未来，需要开发更先进的深度学习模型，能够有效地将冷冻电镜数据与其他补充数据源（如蛋白质序列和 AlphaFold 预测结构）相结合，以进一步推动领域的发展。

    Sep, 2022