cryogenic electron microscopy
PulseAugur coverage of cryogenic electron microscopy — every cluster mentioning cryogenic electron microscopy across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
NUViT：适用于傅里叶空间数据的视觉Transformer
研究人员开发了一种名为非均匀ViT (NUViT) 的新视觉Transformer架构，专门用于处理傅里叶空间数据。与使用笛卡尔网格的标准ViT不同，NUViT采用了重新设计的标记化、数据表示和位置编码方法，以更好地捕捉傅里叶域信息的结构。在图像分类、晶格识别、MRI标注和冷冻电镜分析等各种任务上的实验表明，与传统架构相比，NUViT在理解此类数据方面表现更优。
-
研究发现：人工智能突破加速研究思路枯竭
一篇新的arXiv论文分析了36年的计算机科学研究，认为像Transformer架构和大型语言模型这样的人工智能重大突破，悖论式地导致了研究思路的枯竭。研究发现，随着该领域集中于这些主导范式，尤其是在Transformer之后，大量研究人员将注意力转向了人工智能，导致审稿人信心下降。这种模式在结构生物学中也随着冷冻电镜和AlphaFold的出现而出现，表明虽然突破增加了该领域的想法容量，但它们也耗尽了未来发现所需的注意力多样性。作者主…
-
新的 EMber 视觉 Transformer 学习冷冻电镜数据中的共享结构
研究人员开发了一系列新的视觉 Transformer，称为 EMber，旨在学习冷冻电子显微镜 (cryo-EM) 中各种逆问题的共享潜在结构。这些模型在超过 5000 万个实验粒子图像和模拟投影的庞大数据集上进行了预训练。EMber 在区分构象群体和组成方面表现出显著的改进，性能优于现有方法，并且在更少的训练周期内产生更高质量的重建。
-
AI 专家辩论扩展性在生物发现中的局限性
Google DeepMind 的 Pushmeet Kohli 和 Chan Zuckerberg Biohub 的 Sal Candido 讨论了 AI 在理解生物学方面的局限性，特别是蛋白质折叠问题。他们认为，正如 AI 中的“苦涩教训”所暗示的那样，仅仅扩展计算和数据对于解决复杂的生物学问题是不足够的。相反，他们强调了科学直觉、专业架构以及高质量、相关数据在推动 AI 驱动的生物发现方面的重要性。
-
CryoCue框架利用异质组分数据增强蛋白质重构
研究人员开发了CryoCue，一个旨在改进冷冻电子显微镜（cryo-EM）数据蛋白质结构重构的新框架。该方法专门解决了异质组分信息利用不足的问题，而现有基于学习的技术常常会忽略或错误预测这些组分。CryoCue采用锚点监督检测器来学习五种不同异质组分类别的表示，并利用这些特征来指导蛋白质结构的定位和精炼，从而实现更精确的重构。
-
新AI方法加速冷冻电镜分析，绕过密度重建
研究人员开发了新的计算方法来改进冷冻电子显微镜（cryo-EM）数据的分析。一种方法Fold'EM将蛋白质结构预测模型直接与冷冻电镜粒子图像相结合，以推断原子模型，绕过了中间密度重建，并可能能够用更少的图像确定结构。另一种方法将冷冻电镜重建视为一个随机逆问题，使用统计距离来恢复结构状态的连续分布，并分析与传统最大后验估计的联系。
-
新AI框架Atelier增强冷冻电镜图谱解释
研究人员开发了Atelier，一个新颖的自监督框架，旨在改进冷冻电子显微镜（cryo-EM）图谱的解释。Atelier利用基于Transformer的超网络为冷冻电镜数据生成高保真、尺度无关的隐式神经表示（INRs），从而摊销拟合过程。这种方法允许从任何空间查询点提取连续的局部特征场，当与3D嵌套U-Net一起使用时，可以提高下游注释任务的性能。
-
FPicker框架自动化低信噪比显微镜下的丝状物追踪
研究人员开发了FPicker，一个新颖的拓扑引导框架，旨在自动化冷冻电子显微镜（Cryo-EM）下的丝状物追踪。该方法解决了低信噪比和复杂拓扑带来的挑战，其性能显著优于现有方法。FPicker在模拟数据和真实世界数据上均表现出稳健的性能，为科学成像中的3D螺旋重构提供了一个有前景的解决方案。
-
新的冷冻电镜方法可高精度重构复杂混合物 · 已追踪 2 个来源
研究人员开发了一种新颖的冷冻电子显微镜（cryo-EM）元算法，能够高精度地重构复杂生物样品混合物。该方法将粒子挑选、污染去除和二维分类选择等多个步骤整合到一个统一的流程中，以优化下游重构质量。该系统在 Tomotwin-100 数据集的 45 类子集上表现出 97% 的准确率，在完整数据集上表现出 75% 的准确率，为更自动化的 cryo-EM 工作流程铺平了道路。
-
Wasserstein度量显示出对图像相似性噪声的改进弹性
一篇新论文探讨了Wasserstein度量在图像相似性评分中对噪声的敏感性。研究人员推导出了界限，表明Wasserstein差异中的误差与噪声标准差的平方根成比例，这比欧氏度量的线性缩放更有利。实验支持了这些发现，证明Wasserstein度量即使在冷冻电子显微镜图像等情况下也能在噪声条件下有效捕捉数据几何形状，甚至优于欧氏度量。
-
新AI框架CORAL改进了淀粉样蛋白纤维的配体对接
研究人员开发了CORAL，一个新颖的强化学习框架，旨在改进配体与淀粉样蛋白纤维的对接，这是阿尔茨海默病和帕金森病等神经退行性疾病的关键因素。传统的对接模型在处理结构数据稀缺和淀粉样蛋白纤维独特的协同结合几何形状方面存在困难。CORAL通过将其协同配体-配体堆叠能量纳入其奖励系统，并专门为交叉-β沟槽几何形状训练生成模型来解决这些限制。与现有方法相比，该框架在姿态质量和结合亲和力相关性方面均有所提高。
-
新框架利用多尺度图像表示从边际数据建模联合分布
研究人员开发了 LUD-MSR，一个新颖的潜在变量概率框架，旨在从边际观测中建模联合分布。该方法通过仅使用边际数据优化证据下界来解决此类问题的固有不适定性。该框架引入了多尺度图像表示 (MSR) 映射，以平衡域一致性和信息保留，并在冷冻电子显微镜去噪基准实验中证明了其有效性。
-
New AI Framework Accurately Models Protein Structures from Cryo-EM Data
研究人员开发了CryoACE，一个新颖的端到端框架，旨在从冷冻电镜（cryo-EM）密度图中准确、自动地构建原子模型。该框架通过采用以原子为中心的重建范式，直接在原子坐标处对密度特征进行采样，从而解决了物理化学有效性和构象异质性方面的挑战。CryoACE还结合了使用预测的局部分辨率先验的无训练引导机制，以解决动态模糊性，在复杂的真实世界数据集上表现优于现有方法。
-
研究：拼接伪影影响AI生成体积数据集
一篇新的研究论文探讨了拼接伪影和维度对大型人工生成体积数据集的影响，特别是在冷冻电子显微镜的背景下。研究发现，FID分数不足以检测细微的拼接伪影，而这些伪影会严重影响下游的分割任务。虽然具有无伪影拼接的3D模型比2D模型有边际改进，但计算成本并不总是合理的，并且由于更大的批次大小，2D模型提供了更稳定的训练。该研究强调了在生物医学成像中使用的生成模型，仔细考虑和减轻拼接伪影的重要性。