本文主要是介绍【论文阅读|cryoET】本周粗读汇总,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
论文1:CryoDRGN-ET:深度重建生成网络以可视化细胞内动态生物分子
Abstract
虽然冷冻电子断层扫描可以以分子分辨率揭示结构,但图像处理算法仍然是解决原位生物分子结构异质性的瓶颈。本文介绍CryoDRGN-ET用于cryoET断层图的异质重建。CryoDRGN-ET直接从子断层扫描倾斜系列图像中学习三维密度图的深度生成模型,并且可以捕获成分和构象不同的状态。
通过原位恢复肺炎支原体核糖体中已知的翻译状态来验证本文方法。然后对低温聚焦离子束掩模的酿酒酵母细胞进行冷冻电子断层扫描。CryoDRGN-ET揭示了翻译过程中酿酒酵母核糖体的结构景观,并捕获细胞内脂肪酸合酶复合物的连续运动。该方法在CryoDRGN软件中公开可用。
(cryoDRGN对ET数据的拓展。)
论文2:DeepMulticut:电子显微镜体积神经元分割多重切割问题的深度学习
超像素聚合是一种强大的工具,可用用于从电子显微镜(EM)体积中自动分割神经元。然而现有的超像素聚合图形分割方法仍然设计两个独立阶段——模型估计和模型求解,因此模型误差是固有的。为了解决神经元分割管道中的端到端超像素聚合问题,本文将这两个阶段整合起来,提出了一个基于深度学习的框架,用于解决最小成本多切割问题。核心挑战在于区分 NP-hard 多切割问题,其约束数在问题规模上呈指数增长。因此本文采用松弛组合求解器——贪婪加性边收缩(GAEC)——为连续Soft-GAEC算法,其极限被证明是 vanilla GAEC。因此这种松弛允许 DeepMulticut 将前端基于CNN的边缘相似性预测器 Edge-CNN 和后端多重切割优化集成到用于端到端超像素聚合的可微分优化框架中,并允许面向决策的损失将决策质量反馈给 Edge-CNN 以自适应判别特征学习。因此可以训练模型估计其 Edge-CNN 来直接改进分区决策,同时超越 NP 难度,此外,本文从双层优化的角度解释了DeepMulticut框架背后的原理。在三个公共EM数据集上进行的大量实验证明了所提出的DeepMulticut的有效性。
这篇关于【论文阅读|cryoET】本周粗读汇总的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!