SaSi: A Self-augmented and Self-interpreted Deep Learning Approach for Few-shot Cryo-ET Particle Detection

要約

Cryo-Electron断層撮影（Cryo-ET）は、ネイティブに近い州の高分子複合体を画像化するための強力な手法として浮上しています。
ただし、細胞環境における3D粒子の局在は、信号対雑音の比率が低く、ウェッジアーティファクトの欠落により、依然として重要な課題を提示しています。
ディープラーニングアプローチは大きな可能性を示していますが、膨大な量のデータが必要です。これは、ラベル付きのデータがしばしば不足しているCRYO-ETシナリオでは課題となる可能性があります。
この論文では、3D cryo-et画像の少数の粒子検出に向けて、新しい自己熟成と自己解釈（SASI）の深い学習アプローチを提案します。
私たちの方法は、データの使用率をさらに高めるための自己摂取技術に基づいて構築され、ラベル付きデータへの依存を軽減するための自己解釈されたセグメンテーション戦略を導入し、一般化と堅牢性を改善します。
SASIアプローチは、シミュレートされたCryo-ETデータセットの両方で実施さ​​れた実験で実証されているように、粒子局在化のための既存の最先端の方法を大幅に上回っています。
この研究により、Cryo-ETのラベルが非常に少ない粒子を検出する方法の理解が高まり、したがって、構造生物学の少数の学習のための新しいベンチマークを設定します。

要約(オリジナル)

Cryo-electron tomography (cryo-ET) has emerged as a powerful technique for imaging macromolecular complexes in their near-native states. However, the localization of 3D particles in cellular environments still presents a significant challenge due to low signal-to-noise ratios and missing wedge artifacts. Deep learning approaches have shown great potential, but they need huge amounts of data, which can be a challenge in cryo-ET scenarios where labeled data is often scarce. In this paper, we propose a novel Self-augmented and Self-interpreted (SaSi) deep learning approach towards few-shot particle detection in 3D cryo-ET images. Our method builds upon self-augmentation techniques to further boost data utilization and introduces a self-interpreted segmentation strategy for alleviating dependency on labeled data, hence improving generalization and robustness. As demonstrated by experiments conducted on both simulated and real-world cryo-ET datasets, the SaSi approach significantly outperforms existing state-of-the-art methods for particle localization. This research increases understanding of how to detect particles with very few labels in cryo-ET and thus sets a new benchmark for few-shot learning in structural biology.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google