Boosted ab initio Cryo-EM 3D Reconstruction with ACE-EM
DP Technology, Ltd.(深势科技有限公司);Peking University(北京大学)
冷冻电子显微镜(cryo-EM)的核心问题是从噪声2D投影图像中恢复3D结构,这需要估计丢失的投影角度(姿态)。最近的方法试图用自动编码器架构来解决3D重建问题,该架构遭受潜在向量空间采样问题,并且经常产生次优姿态推断和劣质3D重建。在这里,我们提出了一种改进的自动编码器架构称为ACE(非对称互补autoEncoder),在此基础上,我们设计了ACE-EM方法的冷冻EM三维重建。与以前的方法相比,ACE-EM在相同的训练时间内达到了更高的姿态空间覆盖率,并且无论解码器的选择如何,都提高了重建性能。用这种方法,模拟和实验cryo-EM数据集的3D重建达到奈奎斯特分辨率(最高可能的分辨率)。此外,ACE-EM是唯一达到奈奎斯特分辨率的摊销推理方法。
2023-02-14 cs.AI cs.CV cs.LG
CryoChains: Heterogeneous Reconstruction of Molecular Assembly of Semi-flexible Chains from Cryo-EM Images
UC Santa Barbara(加州大学圣巴巴拉分校);Stanford University(斯坦福大学);SLAC(SLAC国家加速器实验室)
本文提出 CryoChains,结合链刚体变换与简正模式分析,从低信噪比冷冻电镜图像中建模半柔性生物分子的大形变与细微异构变化,并在合成数据上实现更高分辨率重建。
2023-07-15 cs.CV q-bio.BM
CryoAI: Amortized Inference of Poses for Ab Initio Reconstruction of 3D Molecular Volumes from Real Cryo-EM Images
Stanford University(斯坦福大学);SLAC National Accelerator Laboratory(SLAC国家加速器实验室);University of California Santa Barbara(加州大学圣巴巴拉分校)
冷冻电子显微镜(cryo-EM)已成为结构生物学中至关重要的工具,帮助我们了解生命的基本组成部分。cryo-EM的算法挑战是从数百万个噪声极大的2D图像中联合估计未知的3D姿态和生物分子的3D电子散射势。然而,现有的重建算法,不能很容易地跟上快速增长的冷冻EM数据集的大小,由于其高的计算和内存成本。我们介绍cryoAI,一种从头计算的均匀构象重建算法,使用直接基于梯度的优化粒子姿态和电子散射势从单粒子cryo-EM数据。CryoAI将预测每个粒子图像姿态的学习编码器与基于物理的解码器相结合,将每个粒子图像聚合为散射势体积的隐式表示。该体积存储在傅立叶域中以提高计算效率,并利用现代坐标网络架构以提高内存效率。结合对称化的损失函数,该框架实现了与模拟和实验数据的最先进的冷冻EM求解器同等质量的结果,对于大型数据集快一个数量级,并且比现有方法的内存需求显著降低。
2022-08-30 cs.CV cs.LG q-bio.BM
CryoSPIN: Improving Ab-Initio Cryo-EM Reconstruction with Semi-Amortized Pose Inference
University of Toronto(多伦多大学);Vector Institute(矢量研究所);York University(约克大学);Google DeepMind(谷歌DeepMind)
本文提出半摊销位姿推断方法cryoSPIN,先通过摊销推断处理多模态位姿分布,再切换为自动解码的局部优化,在合成与实验数据上均实现了比现有方法更快、更准确的冷冻电镜重建。
2024-10-02 cs.CV cs.LG
Learning Rotation Invariant Features for Cryogenic Electron Microscopy Image Reconstruction
Tel Aviv University(特拉维夫大学)
低温电子显微镜(Cryo-EM)是一项获得诺贝尔奖的技术,用于以近原子分辨率确定颗粒的3D结构。恢复3D单粒子结构的基本步骤是对齐其2D投影;因此,需要构建具有固定旋转角度的正则表示。大多数方法使用离散聚类,不能捕捉图像旋转的连续性质,其他方法遭受低质量的图像重建。我们提出了一种新的方法,利用了生成对抗网络的最新发展。我们介绍了一个编码器,解码器与旋转角度分类。此外,我们利用解码器的输出,以最大限度地减少重建误差。我们用Cryo-EM 5 HDB和旋转的MNIST数据集证明了我们的方法,这些数据集比最近的方法有了很大的改进。
2021-01-10 cs.CV cs.LG eess.IV
Reconstruction-Aware Cryo-EM Particle Picking
Keio University(庆应义塾大学);Keio AI Research Center(庆应AI研究中心);Carnegie Mellon University(卡内基梅隆大学)
该研究将冷冻电镜颗粒挑选、污染去除、二维分类选择整合为感知重构的单一流程,采用CryoTransformer等组件,实现更优三维分辨率,指出颗粒选择应基于重构效果判断。
2026-09-01 cs.CV q-bio.BM
Protein Graph Neural Networks for Heterogeneous Cryo-EM Reconstruction
KTH Royal Institute of Technology(皇家理工学院);Harvard University(哈佛大学);Department of Mathematics(数学系);School of Engineering and Applied Sciences(工程与应用科学学院)
本文提出基于图神经网络的异质冷冻电镜重建方法,通过几何感知的归纳偏置提升骨架构象预测的准确性。
2026-02-25 cs.CV
DRACO: A Denoising-Reconstruction Autoencoder for Cryo-EM
School of Information Science and Technology, ShanghaiTech University(上海科技大学信息科学与技术学院);Cellverse Co, Ltd.(Cellverse公司);iHuman Institute, ShanghaiTech University(上海科技大学iHuman研究所)
本文提出 DRACO,一种结合 Noise2Noise 思想与掩码去噪-重建训练的冷冻电镜自监督基础模型,并利用超 27 万部电影或显微图像构建数据集,在去噪、图像筛选和颗粒挑选上达到最优。
2024-10-28 cs.CV eess.IV
Deep Generative Modeling for Volume Reconstruction in Cryo-Electron Microscopy
Stanford University(斯坦福大学);SLAC National Accelerator Laboratory(SLAC国家加速器实验室);Massachusetts Institute of Technology(麻省理工学院);University of Chicago(芝加哥大学);University of California Santa Barbara(加州大学圣巴巴拉分校)
近年来,低温电子显微镜(cryo-EM)对溶液中生物分子的高分辨率成像技术取得了突破性进展,为分子体积的重建打开了新的大门,从而有望在生物学、化学和药理学研究方面取得进一步进展。最近的下一代体积重建算法将生成建模与端到端无监督深度学习技术相结合,已经显示出有希望的初步结果,但在应用于实验冷冻EM图像时仍然面临相当大的技术和理论障碍。鉴于这种方法的扩散,我们在这里提出了一个批判性的审查,在该领域的最新进展的深生成建模冷冻EM体积重建。本综述旨在(i)使用一致的统计框架统一和比较这些新方法,(ii)使用机器学习研究人员和计算生物学家熟悉的术语介绍它们,这些研究人员和计算生物学家在cryo-EM中没有特定的背景,以及(iii)提供对当前进展的必要视角,以突出其相对优势和弱点,以及该领域的突出瓶颈和改进途径。这篇综述也可能会引起计算机视觉从业者的兴趣,因为它强调了深度生成模型在低信噪比条件下的重大局限性,因此强调了新的理论和方法发展的必要性。
2022-05-26 cs.CV cs.LG eess.IV
End-to-End Simultaneous Learning of Single-particle Orientation and 3D Map Reconstruction from Cryo-electron Microscopy Data
SLAC National Accelerator Laboratory(SLAC国家加速器实验室);University of British Columbia(不列颠哥伦比亚大学)
低温电子显微镜(cryo-EM)提供来自任意取向的相同生物分子的不同拷贝的图像。在这里,我们提出了一种端到端的无监督方法,该方法从cryo-EM数据中学习单个粒子的方向,同时从随机初始化开始重建生物分子的平均3D图。该方法依赖于自动编码器架构,其中潜在空间被明确地解释为解码器用于根据线性投影模型形成图像的方向。我们评估我们的方法对模拟数据,并表明它是能够重建三维粒子图从噪声和CTF损坏的二维投影图像的未知粒子的取向。
2021-07-07 cs.CV eess.IV q-bio.QM
Reconstructing continuous distributions of 3D protein structure from cryo-EM images
MIT(麻省理工学院)
冷冻电子显微镜(冷冻电子显微镜)是一种以近原子分辨率测定蛋白质和其他大分子复合物结构的强大技术。在单粒子冷冻电子显微镜中,核心问题是从$10^{4-7}$噪声和随机取向的二维投影重建大分子的三维结构。然而,成像的蛋白质复合物可能表现出结构变异性,这使得重建复杂化,并且通常使用离散聚类方法来解决,该方法无法捕获蛋白质动力学的全部范围。在这里,我们介绍了一种新的方法,冷冻电子显微镜重建,自然延伸到建模连续生成因素的结构异质性。该方法使用基于坐标的深度神经网络对傅立叶空间中的结构进行编码,并通过将图像方向的精确推断与结构异质性的变分推断相结合,从未标记的2D冷冻电子显微镜图像训练这些网络。我们表明,所提出的方法,称为cryoDRGN,可以执行从头开始重建的三维蛋白质复合物从模拟和真实的二维冷冻电子显微镜图像数据。据我们所知,cryoDRGN是用于冷冻电子显微镜重建的第一种基于神经网络的方法,也是用于从冷冻电子显微镜图像直接重建蛋白质结构的连续集合的第一种端到端方法。
2020-02-15 cs.CV cs.LG eess.IV
GEM: 3D Gaussian Splatting for Efficient and Accurate Cryo-EM Reconstruction
针对冷冻电镜3D重构中传统方法保真度低、NeRF类方法开销大的问题,提出基于3D高斯泼溅的GEM框架,通过紧凑高斯表示和新型梯度计算,在速度、内存和分辨率上均优于现有方法。
2025-10-02 cs.CE cs.CV
A Deep Learning Method for Simultaneous Denoising and Missing Wedge Reconstruction in Cryogenic Electron Tomography
Technical University of Munich(慕尼黑工业大学)
本文提出DeepDeWedge,一种基于自监督损失拟合二维投影的深度学习方法,无需真实标签即可同时实现低温电子断层扫描的去噪和缺失楔形重建,性能与现有方法相当且对比度更高。
2024-08-12 cs.CV cs.LG
CryoHype: Reconstructing a thousand cryo-EM structures with transformer-based hypernetworks
Princeton University(普林斯顿大学);Stanford University(斯坦福大学)
CryoHype通过变换器超网络实现高通量冷冻电镜结构重建,解决混合分子物种的组分异质性问题,实现1000个结构的高精度重建。
2026-03-19 cs.CV
Amortized Inference for Heterogeneous Reconstruction in Cryo-EM
Stanford University(斯坦福大学);SLAC National Accelerator Laboratory(SLAC国家加速器实验室);Princeton University(普林斯顿大学)
冷冻电子显微镜(cryo-EM)是一种成像方式,可提供对蛋白质和其他生命构建模块的动力学的独特见解。然而,以计算高效的方式从数百万个噪声和随机取向的2D投影中联合估计生物分子的姿态、3D结构和构象异质性的算法挑战仍然没有解决。我们的方法,cryoFIRE,进行从头异构重建与未知的姿态在一个摊销的框架,从而避免了计算昂贵的姿态搜索的步骤,同时使构象异质性的分析。姿势和构象由编码器联合估计,而基于物理的解码器将图像聚合成构象空间的隐式神经表示。我们表明,我们的方法可以在包含数百万图像的数据集上提供一个数量级的加速,而不会损失任何准确性。我们验证的姿态和构象的联合估计可以摊销的数据集的大小。我们首次证明了一种摊销方法可以从实验数据集中提取可解释的动态信息。
2022-10-13 cs.CV cs.LG q-bio.BM
Heterogeneous reconstruction of deformable atomic models in Cryo-EM
SLAC National Accelerator Laboratory(SLAC国家加速器实验室);Stanford University(斯坦福大学);University of California Santa Barbara(加州大学圣巴巴拉分校)
低温电子显微镜(冷冻电子显微镜)为研究生物分子的结构异质性提供了一个独特的机会。能够用原子模型来解释这种异质性将有助于我们理解它们的功能机制,但结构空间(原子三维坐标空间)的大小和坚固性提出了巨大的挑战。在这里,我们描述了一种异构重建方法的基础上原子表示,其变形减少到少数集体运动,通过正常模式分析。我们的实现使用了自动编码器。编码器联合估计沿正常模式的运动幅度和图像中心与分子中心之间的2D移位。基于物理学的解码器聚集了在原子水平上容易解释的异质性的表示。我们说明了我们的方法在3个合成数据集上对应于沿着腺苷酸激酶从其开放结构过渡到其封闭结构的模拟轨迹的不同分布。我们表明,对于每个分布,我们的方法是能够概括的中间原子模型与原子级的准确性。
2022-09-29 cs.CV eess.IV physics.chem-ph
CryoBench: Diverse and challenging datasets for the heterogeneity problem in cryo-EM
Princeton University(普林斯顿大学);Flatiron Institute(弗莱堡研究所);University of British Columbia(不列颠哥伦比亚大学)
针对冷冻电镜异质重构领域缺乏标准化基准的问题,研究团队推出包含5个不同难度异质性数据集、评估指标的CryoBench套件,分析了现有主流方法的噪声敏感性并提出新评估指标,为相关算法研发提供基础资源。
2025-01-16 cs.AI cs.CE cs.CV
Improved Cryo-EM Pose Estimation and 3D Classification through Latent-Space Disentanglement
DP Technology, Ltd.(北京达科为生物技术股份有限公司);Peking University(北京大学)
针对异质冷冻电镜重建中潜在变量纠缠导致构象与姿态估计困难的问题,提出基于摊销推理的自监督变分自编码器架构HetACUMN,通过反转编码器-解码器引入辅助条件姿态预测任务实现解耦,提升了构象分类准确性与3D重建效果。
2024-04-23 cs.CV eess.IV q-bio.BM
CryoGEM: Physics-Informed Generative Cryo-Electron Microscopy
ShanghaiTech University(上海科技大学);Cellverse;iHuman Institute(iHuman研究所)
本文提出CryoGEM,首次将物理模拟与生成式非配对噪声翻译结合,生成逼真的cryo-EM合成数据集,用于训练颗粒挑选和姿态估计模型,从而提升三维重建分辨率。
2024-09-29 cs.CV
Building Proteins in a Day: Efficient 3D Molecular Reconstruction
University of Toronto(多伦多大学)
发现蛋白质和病毒等分子的3D原子结构是生物学和医学中的一个基本研究问题。电子低温显微镜(Cryo-EM)是一种很有前途的基于视觉的结构估计技术,它试图从2D图像重建3D结构。本文讨论了具有挑战性的问题,三维重建从二维冷冻EM图像。介绍了一种新的估计框架,它依赖于现代随机优化技术来扩展到大型数据集。我们还介绍了一种新的技术,它降低了成本的目标函数在优化过程中超过五个订单或数量级。最终结果是一种能够在一天左右的时间内在单个工作站上从大规模数据集估计3D分子结构的方法。
2015-04-14 cs.CV q-bio.QM
Joint Denoising of Cryo-EM Projection Images using Polar Transformers
KTH Royal Institute of Technology(皇家理工学院);Flatiron Institute(Flatiron研究所);Simons Foundation(Simons基金会)
针对冷冻电镜低信噪比投影图像,提出极坐标变换器架构,结合旋转对称卷积注意力,实现粒子级联合去噪,在SNR为0.02时MSE降低2倍。
2025-10-14 cs.CV cs.LG eess.IV
Continuously heterogeneous hyper-objects in cryo-EM and 3-D movies of many temporal dimensions
Princeton University(普林斯顿大学)
单粒子低温电子显微镜(EM)是一种越来越流行的方法,用于从取向和位置随机且未知的单个大分子的噪声2-D图像确定大分子的3-D结构。冷冻电镜的一个巨大机会是恢复异质样品中大分子的结构,其中多种类型或多种构象混合在一起。事实上,近年来,已经引入了许多工具来分析在冷冻EM实验中混合在一起的多个离散类分子。然而,许多有趣的结构有一个连续的构象,不适合离散模型很好,这种连续异质模型的分析仍然是一个更难以捉摸的目标。在这篇手稿中,我们提出了代表异质分子和类似的结构作为更高的维度对象。我们概括了许多现有的重建算法中使用的基本操作,使我们的方法通用的意义上说,在原则上,现有的算法可以适应重建这些更高的维度的对象。作为概念证明,我们提出了一个新的算法,我们用来解决模拟重建问题的原型。
2017-04-10 cs.CV
3-Dimensional CryoEM Pose Estimation and Shift Correction Pipeline
Indian Institute of Technology, Bombay(印度理工学院班加罗尔分校);Walmart Global Tech(沃尔玛全球技术)
本文提出一种基于多维缩放与共线几何的冷冻电镜三维姿态估计流程,通过稳健的ℓ1联合优化和迭代平移校正,在低信噪比下提升欧拉角精度与重建保真度。
2025-07-20 cs.CV
Cohomology of Cryo-Electron Microscopy
University of Chicago(芝加哥大学)
冷冻电子显微镜(EM)的目标是从分子的二维投影图像集合中重建分子的三维结构。在这篇文章中,我们表明,冷冻EM的基本前提-修补在一起的二维投影重建一个三维物体-自然是一个Cech上同调SO(2)-系数。我们推断,每个cryo-EM重建问题对应于单纯复形上的定向圆丛,使我们能够通过主丛对cryo-EM问题进行分类。在实践中,二维图像是嘈杂的,在冷冻EM的主要任务是去噪。我们将看到如何利用上述见解来实现这一目标。
2017-04-22 cs.CV math.AT
Learning to recover orientations from projections in single-particle cryo-EM
EPFL(洛桑联邦理工学院)
单粒子低温电子显微镜(cryo-EM)的一个主要挑战是,在成像之前,3D粒子所采用的方向是未知的;然而,这一知识对于高分辨率重建是必不可少的。我们提出了一种方法来恢复这些方向直接从所获得的一组二维投影。我们的方法包括两个步骤:(i)估计投影对之间的距离,以及(ii)从这些距离中恢复每个投影的方向。在步骤(i)中,通过在来自解析的生物结构的合成冷冻EM投影上训练的连体神经网络来估计成对距离。在步骤(ii)中,通过最小化从投影估计的距离与由恢复的取向引起的距离之间的差来恢复取向。我们评估了合成cryo-EM数据集的方法。目前的研究结果表明,方向可以准确地恢复从被移位和损坏的高水平的噪声的投影。恢复的准确性取决于距离估计器的准确性。虽然尚未部署在一个真正的实验设置,所提出的方法提供了一种新的学习为基础的方向恢复SPA。我们的代码可在https://github.com/JelenaBanjac/protein-reconstruction上获得
2021-04-13 cs.CV cs.LG q-bio.QM
Image recovery from rotational and translational invariants
Princeton University(普林斯顿大学);Tel Aviv University(特拉维夫大学)
我们介绍了一个框架,用于恢复图像的旋转和旋转不变的特征的基础上自相关分析。这项工作是多目标检测统计模型的一个实例,该模型主要用于研究在低信噪比下使用冷冻电子显微镜(cryo-EM)进行单粒子重建的数学和计算特性。我们证明与合成的数值实验,图像可以重建旋转和旋转不变的功能,并表明重建是鲁棒的噪声。这些结果构成了一个重要的一步,使用冷冻EM的生物小分子的结构测定的目标。
2019-10-22 cs.CV eess.IV
Attention-guided Quality Assessment for Automated Cryo-EM Grid Screening
Scientific Computing and Imaging Institute, School of Computing, University of Utah(犹他大学计算学院科学计算与成像研究所);Department Of Biochemistry, University of Utah(犹他大学生物化学系)
低温电子显微镜(cryo-EM)已成为药物发现和理解疾病的分子基础,通过产生生物大分子的近原子分辨率(小于0.4 nm)3D重建的一种使能技术。3D重建所需的成像过程涉及高度迭代和经验筛选过程,从采集低温EM网格的低放大率图像开始。检查这些图像中可能包含有用分子信号的方块。网格内潜在有用的正方形然后以逐渐更高的放大率成像,目的是识别圆孔内的亚微米区域(由正方形限定)以用于以高放大率成像。这种费力的多步骤数据采集过程代表了获得高吞吐量数据汇集的瓶颈。在这里,我们专注于自动化显微镜操作员的早期决策,评分低放大率的正方形图像,并提出了第一个深度学习框架,XCryoNet,用于自动冷冻EM网格筛选。XCryoNet是一种半监督的、注意力引导的深度学习方法,使用有限数量的标记数据为自动提取的方形图像提供可解释的评分。结果显示,当标记数据稀缺时,与完全监督和无注意解决方案相比,分别有8%和37%的改进。
2020-07-21 cs.CV cs.LG
CryoMAE: Few-Shot Cryo-EM Particle Picking with Masked Autoencoders
Carnegie Mellon University(卡内基梅隆大学)
本文提出少样本 cryoMAE,利用掩码自编码器和自交叉相似度损失,仅用少量正样本即可完成冷冻电镜颗粒挑选,并将三维重建分辨率最高提升22.4%。
2024-04-15 cs.CV q-bio.BM
Cryo-Electron Microscopy Image Analysis Using Multi-Frequency Vector Diffusion Maps
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
冷冻电子显微镜(EM)单粒子重建是一种完全通用的技术,用于大分子复合物的三维结构测定。然而,由于图像是在低电子剂量下拍摄的,因此很难以低对比度和高噪声水平可视化单个颗粒。在本文中,我们提出了一种新的方法称为多频矢量扩散映射(MFVDM),以提高效率和准确性的冷冻EM二维图像分类和去噪。该框架采用了不同的不可约表示相似图像之间的估计对齐。此外,我们提出了一个图滤波方案,使用MFVDM矩阵的特征值和特征向量的图像去噪。通过模拟和公开可用的真实数据,我们证明了我们提出的方法是有效的和鲁棒性的噪声相比,最先进的冷冻EM 2D类平均和图像复原算法。
2019-04-16 cs.CV q-bio.BM
A Representation Theory Perspective on Simultaneous Alignment and Classification
Princeton University(普林斯顿大学)
除了高水平的噪声和未知的图像方向之外,在单粒子冷冻电子显微镜(Cryo-EM)中从图像进行分子的3D重建的困难之一是样品中的异质性:在许多情况下,样品包含分子的混合物,或一个分子的多种构象。在非均质Cryo-EM实验中从图像重建分子的许多算法是基于分子在非凸优化中的迭代近似,该非凸优化倾向于达到次优局部最小值。其他算法需要对齐以便执行分类,反之亦然。最近引入的非唯一博弈框架提供了一个表示理论的方法来研究问题的对齐紧群,并提供了凸松弛对齐问题,制定为半定规划(SDP)的全球最优性证书在某些情况下。在这篇手稿中,我们建议将非唯一游戏扩展到同时对齐和分类的问题,其目标是同时对Cryo-EM图像进行分类并将其在各自的类中对齐。我们提出的方法也可以扩展到连续异质性的情况下。
2016-07-12 cs.CV math.OC
Orthogonal Matrix Retrieval in Cryo-Electron Microscopy
Princeton University(普林斯顿大学)
在冷冻电子显微镜(cryo-EM)的单粒子重建(SPR)中,需要从在未知观察方向上拍摄的分子的2D投影图像确定分子的3D结构。Zvi Kam在1980年已经证明,旋转群SO(3)上的3D分子的自相关函数可以从其观察方向均匀分布在球体上的2D投影图像中估计。自相关函数确定3D分子在球谐函数中的展开系数,直到每个$l=0,1,2,...$的大小为$(2l+1)\times (2l+1)$的正交矩阵。在本文中,我们将展示如何解决在X射线晶体学中的相位恢复问题的技术可以修改为cryo-EM设置检索丢失的正交矩阵。具体来说,我们提出了两个新的方法,我们的术语正交扩展和正交替换,其中的主要算法组件是奇异值分解和半定规划。我们通过模拟数据的数值实验证明了这些方法的实用性。
2015-01-30 cs.CV
Anisotropic twicing for single particle reconstruction using autocorrelation analysis
X射线晶体学中的缺相问题通常使用分子置换技术来解决,该技术从先前解决的同源结构中借用相位,并将它们附加到未知结构的衍射图案的测量傅立叶幅度。最近,分子置换已被提出来解决丢失的正交矩阵问题所产生的Kam的自相关分析单粒子重建使用X射线自由电子激光器和冷冻EM。在经典的分子置换中,通常将未知结构的大小估计为测量的大小的两倍减去同源结构的大小,这一过程称为“加倍”。在数学上,这相当于为复值标量找到一个无偏估计。我们推广这个计划的情况下,估计实值或复值矩阵中产生的单粒子自相关分析。我们将这种方法命名为“各向异性加倍”,因为与标量情况不同,无偏估计量不是通过简单的幅度各向同性校正获得的。我们比较的性能最小二乘,twicing和各向异性twicing估计合成和实验数据集。我们展示了3D同源性建模直接从实验数据的冷冻EM没有迭代细化或类平均,第一次。
2017-04-26 cs.CV q-bio.BM stat.AP
Mahalanobis Distance for Class Averaging of Cryo-EM Images
Princeton University(普林斯顿大学);UIUC(伊利诺伊大学厄巴纳-香槟分校)
来自冷冻电子显微镜(EM)的单粒子重建(SPR)是一种技术,其中分子的3D结构需要从其对比度传递函数(CTF)确定,在未知的观察方向上拍摄的噪声2D投影图像。冷冻EM中的主要挑战之一是所获取图像的典型低信噪比(SNR)。图像的2D分类,然后进行类平均,提高了所得平均值的SNR,并用于从显微照片中选择颗粒和检查颗粒图像。我们引入了一个新的亲和性措施,类似于马氏距离,比较属于不同散焦组的冷冻EM图像。采用新的相似性度量来检测相似图像,从而导致类平均的改进算法。我们评估了所提出的类平均程序在合成数据集上的性能,获得了最先进的分类。
2017-01-25 cs.CV q-bio.BM stat.AP
Reconstructing Heterogeneous Biomolecules via Hierarchical Gaussian Mixtures and Part Discovery
University of Toronto(多伦多大学);Vector Institute(向量研究所);York University(约克大学)
针对冷冻电镜中分子构象柔性与部件缺失导致的异质性重建难题,提出基于分层高斯混合和部件分割的 CryoSPIRE 框架,并在 CryoBench 上达到最优。
2025-06-06 cs.CV cs.LG eess.IV
Estimation of Orientation and Camera Parameters from Cryo-Electron Microscopy Images with Variational Autoencoders and Generative Adversarial Networks
Stanford University(斯坦福大学);SLAC National Accelerator(SLAC国家加速器实验室)
冷冻电子显微镜(cryo-EM)能够以近原子分辨率产生生物分子的重建3D图像。因此,它代表了结构生物学中最有前途的成像技术之一。然而,原始冷冻EM图像仅高度损坏-噪声和带通滤波-目标3D生物分子的2D投影。重建3D分子形状从去除图像异常值、估计产生给定2D图像的生物分子的取向以及估计相机参数以校正强度缺陷开始。当前执行这些任务的技术通常在计算上是昂贵的,而数据集的大小不断增长。需要下一代算法在保持准确性的同时提高速度和可扩展性。在本文中,我们结合变分自编码器(VAE)和生成对抗网络(GANs)来学习低温EM图像的低维潜在表示。我们进行了探索性的分析所获得的潜在空间,这是示出有一个结构的“轨道”,在李群理论的意义上,与采集程序的冷冻EM图像。这种分析导致我们设计的单粒子冷冻EM图像的方向和相机参数的估计方法,连同离群值检测程序。因此,它为无监督估计方向和相机参数的几何方法打开了大门,使快速冷冻EM生物分子重建成为可能。
2021-05-23 cs.CV eess.IV q-bio.QM
A new solution to the curved Ewald sphere problem for 3D image reconstruction in electron microscopy
Arizona State University(亚利桑那州立大学)
我们开发了一种算法,能够成像的三维对象给定的集合的二维图像的对象,显着影响的埃瓦尔德球的曲率。这些二维图像不能近似为对象的投影。这样的算法在冷冻电子显微镜中是有用的,其中需要更大的样品、更高的分辨率或更低能量的电子束,所有这些都有助于埃瓦尔德曲率的显著性。
2021-02-07 cs.CV physics.ins-det
Automatic post-picking improves particle image detection from Cryo-EM micrographs
Ludwig-Maximilians-University München(慕尼黑大学);Center for Integrated Protein Sciences(综合蛋白质科学中心);Munich Center for Advanced Photonics(慕尼黑高级光子学中心);Gene Center(基因中心);Department of Biochemistry(生物化学系)
冷冻电子显微镜(cryo-EM)研究使用单粒子重建被广泛用于揭示大分子复合物的结构信息。为了达到最高的分辨率,最先进的电子显微镜可以获得数千张高质量的图像。在收集了这些数据之后,必须检测每个粒子并将其窗口化。已经开发了几种全自动或半自动方法,用于从数字化显微照片中选择颗粒图像。然而,它们仍然需要费力的人工后处理,这将成为下一代电子显微镜的主要瓶颈。而不是专注于从显微照片中自动选择颗粒的改进,我们提出了一个后采摘步骤分类小窗口的图像,这是由常见的采摘软件输出。一个有监督的策略分类的窗口显微图像的粒子和非粒子减少了人工工作量的数量级。该方法建立在新的强大的图像特征和适当的训练集成分类器。几百个训练样本就足以实现类似人类的分类性能。
2012-01-02 cs.CV q-bio.BM
SHREC 2021: Classification in cryo-electron tomograms
Utrecht University(乌得勒支大学);Purdue University(普渡大学);Inria Rennes Bretagne Atlantique(法国国家信息与自动化研究所雷恩-布列塔尼大西洋分所);University of Missouri(密苏里大学);University of Patras(帕特雷大学);Carnegie Mellon University(卡内基梅隆大学);Shandong University(山东大学);Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所)
冷冻电子断层扫描(cryo-ET)是一种成像技术,允许在近天然条件下的大分子组装体的三维可视化。Cryo-ET面临着许多挑战,主要是低信噪比和无法从所有角度获得图像。计算方法是分析冷冻电子断层图像的关键。为了促进计算方法的创新,我们生成了一个新的模拟数据集,以基准不同的方法定位和分类的生物大分子断层图像。我们公开的数据集包含10个模拟细胞样体积的断层重建。每卷包含12种不同类型的复合物,大小,功能和结构各不相同。在本文中,我们已经评估了七种不同的方法发现和分类蛋白质。七个研究小组展示了使用基于学习的方法获得的结果,并在模拟数据集上进行了训练,以及基线模板匹配(TM),这是一种广泛用于冷冻ET研究的传统方法。我们表明,基于学习的方法可以实现显着更好的定位和分类性能比TM。我们还通过实验证实,所有方法的颗粒尺寸和性能之间存在负相关关系。
2022-03-18 cs.CV eess.IV
Automatic post-picking using MAPPOS improves particle image detection from Cryo-EM micrographs
Ludwig-Maximilians-University München(慕尼黑路德维希-马克西米利安大学);University of Cologne(科隆大学)
冷冻电子显微镜(cryo-EM)研究,使用单粒子重建被广泛用于揭示大分子复合物的结构信息。为了达到最高的分辨率,最先进的电子显微镜自动获取数千张高质量的显微照片。使用全自动或半自动方法在每张显微照片上检测颗粒并将其装箱。然而,所获得的颗粒仍然需要费力的手动拾取后分类,这是大型数据集的单颗粒分析的一个主要瓶颈。我们引入MAPPOS,一个监督后采摘策略的分类盒装颗粒图像,作为额外的策略添加到已经高效的自动颗粒采摘例程。MAPPOS采用机器学习技术从少量的特征图像特征中训练一个鲁棒的分类器。为了准确地量化MAPPOS的性能,我们使用模拟粒子和非粒子图像。此外,我们通过将其应用于实验性冷冻EM数据集并将结果与同一数据集的手动分类进行比较来验证我们的方法。MAPPOS和人工挑选后分类之间的比较表明,只有几百个样本图像就足以让MAPPOS以类似人类的性能对整个数据集进行分类。MAPPOS被证明可以大大加快大型数据集的吞吐量,通过数量级减少手动工作量,同时保持可靠的非颗粒图像识别。
2012-12-19 cs.CV stat.ML
Probabilistic PolarGMM: Unsupervised Cluster Learning of Very Noisy Projection Images of Unknown Pose
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
低温电子显微镜(Cryo-EM)的单粒子分析(SPA)中的一个关键步骤,2D分类和对齐需要收集噪声粒子图像来推断方向并将相似图像分组在一起。平均这些对齐和聚类的噪声图像产生一组干净的图像,准备进一步分析,如3D重建。傅立叶-贝塞尔可操纵主成分分析(FBsPCA)实现了一种高效、自适应、低秩旋转算子。我们扩展了FBsPCA以额外处理翻译。在这个扩展的FBsPCA表示,我们使用概率极坐标高斯混合模型学习软集群在无监督的方式使用期望最大化(EM)算法。因此,所获得的旋转簇对于成对对准缺陷的存在是额外鲁棒的。来自模拟Cryo-EM数据集的多个基准测试显示,与标准单粒子Cryo-EM工具EMAN 2和RELION相比,PolarGMM在各种聚类指标和对齐误差方面的性能有所改善。
2022-06-26 cs.CE cs.CV cs.LG
3D Reconstruction of Protein Complex Structures Using Synthesized Multi-View AFM Images
Iowa State University(爱荷华州立大学)
基于深度学习的方法的最新发展证明了其使用蛋白质序列、蛋白质的冷冻电子显微镜(Cryo-EM)图像等输入来预测3D蛋白质结构的潜力。然而,这些方法难以预测蛋白质复合物(PC),即具有多个蛋白质的结构。在这项工作中,我们探索了原子力显微镜(AFM)辅助的基于深度学习的方法来预测PC的3D结构。AFM产生的图像捕捉到不同和随机方向的蛋白质结构。这些多视图图像可以帮助训练神经网络来预测蛋白质复合物的3D结构。然而,获得实际AFM图像的数据集是耗时的,而不是一个务实的任务。我们提出了一个虚拟的AFM成像流水线,采取“PDB”蛋白质文件,并产生多视图的二维虚拟AFM图像,使用体渲染技术。有了这个,我们创建了一个大约8 K蛋白质的数据集。我们训练一个神经网络的三维重建称为Pix 2 Vox ++使用合成的多视图2D AFM图像数据集。我们比较了使用不同数量的视图获得的预测结构,并在训练数据集上获得了0.92的交集(IoU)值,在验证数据集上获得了0.52。我们相信这种方法将导致更好地预测蛋白质复合物的结构。
2022-11-26 cs.CV cs.LG eess.IV