冷冻电镜中用于体积重建的深度生成建模
图像与视频处理
2022-05-27 v3 计算机视觉与模式识别
机器学习
定量方法
摘要
近年来，利用冷冻电子显微镜（cryo-EM）对溶液中生物分子进行高分辨率成像的突破，为分子体积重建打开了新大门，从而有望推动生物学、化学与药理学研究的进一步进展。近期将生成建模与端到端无监督深度学习技术相结合的新一代体积重建算法已展现出有前景的初步结果，但在应用于实验性 cryo-EM 图像时仍面临显著的技术与理论障碍。鉴于此类方法的激增，我们在此提出对 cryo-EM 体积重建深度生成建模领域近期进展的批判性综述。本综述旨在（i）使用一致的统计框架统一并比较这些新方法，（ii）以机器学习研究者和计算生物学家熟悉且无需 cryo-EM 专门背景的术语呈现它们，以及（iii）对当前进展提供必要的视角，以凸显其相对优势与不足，以及该领域悬而未决的瓶颈与改进途径。本综述也可能引起计算机视觉从业者的兴趣，因为它凸显了深度生成模型在低信噪比条件下的显著局限——从而强调了对新理论与方法学发展的需求。
引用
@article{arxiv.2201.02867,
title = {Deep Generative Modeling for Volume Reconstruction in Cryo-Electron Microscopy},
author = {Claire Donnat and Axel Levy and Frederic Poitevin and Ellen Zhong and Nina Miolane},
journal= {arXiv preprint arXiv:2201.02867},
year = {2022}
}