Bottom-up Iterative Anomalous Diffusion Detector (BI-ADD)

要約

近年、さまざまな拡散特性を備えた短い分子軌道のセグメンテーションは、粒子のダイナミクスを研究できるため、研究者の特に注目を集めています。
過去10年間で、機械学習方法は、変化ポイントの検出およびセグメンテーションタスクでも、非常に有望な結果を示してきました。
ここでは、分子軌道の変化点、つまり粒子の拡散的な挙動が変化するフレームの変化点を識別する新しい反復方法を紹介します。
私たちの場合の軌跡は、わずかなブラウン運動に従い、軌跡の拡散特性を推定します。
提案されたBI-ADDは、監視なしで監督された学習方法を組み合わせて、変更点を検出します。
私たちのアプローチは、個々のレベルでの分子軌跡の分析に使用し、複数の粒子追跡に拡張することもできます。これは、基本的な生物学の重要な課題です。
単一の粒子追跡専用のANDI2チャレンジ2024のフレームワーク内のさまざまなシナリオでBI-ADDを検証しました。
私たちの方法はPythonで実装されており、研究目的で公開されています。

要約(オリジナル)

In recent years, the segmentation of short molecular trajectories with varying diffusive properties has drawn particular attention of researchers, since it allows studying the dynamics of a particle. In the past decade, machine learning methods have shown highly promising results, also in changepoint detection and segmentation tasks. Here, we introduce a novel iterative method to identify the changepoints in a molecular trajectory, i.e., frames, where the diffusive behavior of a particle changes. A trajectory in our case follows a fractional Brownian motion and we estimate the diffusive properties of the trajectories. The proposed BI-ADD combines unsupervised and supervised learning methods to detect the changepoints. Our approach can be used for the analysis of molecular trajectories at the individual level and also be extended to multiple particle tracking, which is an important challenge in fundamental biology. We validated BI-ADD in various scenarios within the framework of the AnDi2 Challenge 2024 dedicated to single particle tracking. Our method is implemented in Python and is publicly available for research purposes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google