冷冻电镜AI新突破：5000万图像预训练，构象判别提升14.85个百分点！
Learning the Shared Latent Structure of Cryo-EM Inverse Problems
📖 AI 总结
该研究针对冷冻电镜（cryo-EM）中姿态估计、异质性分析与三维重建等逆问题通常被独立处理、却共享同一分子结构与成像物理机制的问题，提出学习跨任务的共享潜在表示。作者采用自蒸馏方法，结合全局与掩码图像块两类互补目标，并通过受控合成与实验评估发现，密集空间特征更有利于结构判别。据此，团队构建了EMber系列视觉Transformer，在来自214个EMPIAR数据集的逾5000万张实验粒子图像及26.8万个分子组装体的模拟投影上预训练。结果显示，EMber在构象与组成判别上分别较现有方法提升14.85和14.26个百分点，线性探针估计构象群体比例的误差在1.59个百分点以内，并能以更少训练轮次获得参考级重建质量，表明统一表示可有效服务于多种冷冻电镜逆问题。
🔑 关键词速览
| Cryo-EM | 冷冻电子显微镜，一种用于解析生物大分子三维结构的成像技术。 |
| Inverse Problems | 逆问题，指从观测数据反推系统内部参数或结构的问题，如从粒子图像推断姿态和结构。 |
| Self-distillation | 自蒸馏，一种知识蒸馏方法，模型通过自身生成的软标签进行训练，无需外部教师模型。 |
| Vision Transformers | 视觉变换器，一种基于自注意力机制的神经网络架构，广泛应用于图像分析任务。 |
| Conformational Heterogeneity | 构象异质性，指同一生物分子在溶液中存在多种不同三维构象的现象。 |
📱 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