Atelier uči lokalne self-supervised osobine za CryoEM volumene preko hypernetworka
Transformer-based hypernetwork treniran na hiljadama CryoEM mapa generiše implicitne neuralne reprezentacije iz kojih se mogu čitati lokalne osobine na proizvoljnoj prostornoj tački.
Kontinuirana reprezentacija umesto samo voxel grid-a
Autori polaze od toga da većina deep-learning metoda za anotaciju CryoEM mapa izvlači osobine iz fiksnih voxel gridova, dok implicitne neuralne reprezentacije mogu volumetrijske podatke opisati kao coordinate-conditioned funkcije nezavisnije od skale.
Atelier je transformer hypernetwork pretreniran na 5.439 mapa iz Electron Microscopy Data Bank i generiše rekonstrukcije kroz širok raspon proteinskih struktura.
Lokalne osobine na svakoj koordinati
Intermediate aktivacije generisane INR mreže formiraju kontinuirano lokalno feature polje koje se može upitati na proizvoljnoj prostornoj koordinati.
Kada su te osobine dodate kao pomoćni kanali 3D nested U-Net anotacionoj glavi treniranoj od nule, poboljšale su rezultate na osam voxel-level prediction zadataka u odnosu na baseline koji koristi samo volumen.
Izvori
Prikazani su izvorni linkovi korišćeni za proveru objavljenih činjenica.