CryoBench：应对冷冻电镜异质性问题的多样化与挑战性数据集
计算机视觉与模式识别
2025-01-17 v2 人工智能
计算工程、金融与科学
机器学习
生物大分子
摘要
冷冻电子显微镜（cryo-EM）是一种从成像数据确定高分辨率三维生物分子结构的强大技术。其捕获结构变异性的独特能力推动了异质性重建算法的发展，这些算法可以从含噪声、无标签的成像数据中推断三维结构的分布。尽管先进方法的数量不断增加，但该领域的进展受到缺乏带有真实信息和可靠验证指标的标准化基准的阻碍。在此，我们引入了 CryoBench，一套用于冷冻电镜异质性重建的数据集、指标和基准。CryoBench 包含五个数据集，代表了不同的异质性来源和难度等级。这些包括从抗体复合物设计的运动生成的或从分子动力学模拟中采样的构象异质性，以及来自核糖体组装状态混合物或细胞中存在的 100 种常见复合物的组成异质性。然后我们分析了最先进的异质性重建工具，包括神经和非神经方法，评估它们对噪声的敏感性，并提出了新的定量评估指标。我们希望 CryoBench 将成为加速冷冻电镜和机器学习社区算法开发和评估的基础资源。项目页面：https://cryobench.cs.princeton.edu。
引用
@article{arxiv.2408.05526,
title = {CryoBench: Diverse and challenging datasets for the heterogeneity problem in cryo-EM},
author = {Minkyu Jeon and Rishwanth Raghu and Miro Astore and Geoffrey Woollard and Ryan Feathers and Alkin Kaz and Sonya M. Hanson and Pilar Cossio and Ellen D. Zhong},
journal= {arXiv preprint arXiv:2408.05526},
year = {2025}
}
备注
Accepted by NeurIPS 2024 (Spotlight)