仅5439个图谱预训练，Atelier用超网络让冷冻电镜特征提取快又准！
Atelier: Learning Local Self-Supervised Features for CryoEM Volumes via Hypernetworks
📖 AI 总结
该研究提出Atelier，一个面向冷冻电镜密度图的自监督特征学习框架。针对传统深度学习方法依赖固定体素网格、难以兼顾空间局部性与跨样本一致性的问题，作者利用隐式神经表示（INR）将体数据建模为与尺度无关的坐标条件函数，并通过基于Transformer的超网络摊销INR拟合过程，避免为每张密度图单独训练。模型在5439个EMDB密度图上预训练，可高保真重建多种蛋白质结构，包括大型多亚基组装体。其关键发现是，预训练超网络生成的INR中间激活可提供连续、局部的坐标条件特征场，作为辅助通道接入从零训练的3D嵌套U-Net标注头后，在八项体素级性质预测任务上均优于仅用体数据的基线。该工作表明，摊销式隐式神经表示可作为冷冻电镜数据几何感知分析的有效基础。
🔑 关键词速览
| CryoEM | 冷冻电子显微镜，一种用于解析生物大分子高分辨率三维结构的技术。 |
| Implicit Neural Representations (INRs) | 隐式神经表示，将数据表示为连续坐标函数而非离散网格的神经网络方法。 |
| Hypernetwork | 超网络，一种生成其他神经网络权重的神经网络，用于动态适应不同输入。 |
| Self-supervised | 自监督学习，利用数据自身结构生成监督信号，无需人工标注。 |
| Voxel-level property prediction | 体素级属性预测，在三维网格的每个体素上预测其物理或化学属性的任务。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅