PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.01358v2q-bio.BM

Fold'EM: 극저온 전자현미경 입자로부터의 직접적인 원자 구조 추론

Fold'EM: Direct atomic structure inference from Cryo-EM particles

단일 입자 극저온 전자현미경(cryo-EM)은 생체 분자 구조 결정을 위해 널리 채택된 기술이 되었습니다. 기존의 cryo-EM 연산 파이프라인은 먼저 수많은 입자 이미지를 결합하여 정전기 퍼텐셜(ESP) 맵을 재구성한 다음, 복원된 맵에 원자 모델을 맞춥니다. 밀도 재구성은 표본 복잡도가 높아 많은 수의 입자 이미지를 필요로 하며, 특히 이질적인(heterogeneous) 샘플의 경우 구조 결정을 고비용이자 낮은 처리량으로 만듭니다. 그에 따라 후속 원자 모델 구축은 재구성된 맵의 해상도가 저하될수록 점점 더 어려워집니다. 단백질 구조 예측 모델은 원자 구조에 대해 서열 기반의 강력한 사전 확률(prior)을 제공하며, 실험 유도형 접근법은 이러한 사전 확률을 활용하여 실험 측정값과 일치하는 구조를 복원할 수 있습니다. 그러나 cryo-EM에서는 이러한 사전 확률이 일반적으로 밀도 재구성 이후 원자 모델 피팅 과정에서만 통합됩니다. 본 연구에서는 단백질 생성 모델의 사전 확률을 cryo-EM 입자 이미지와 직접 결합하여, 중간 밀도 재구성과 재구성된 맵 기반의 후속 모델 구축 과정을 모두 우회하고 적은 수의 단일 입자 이미지만으로 원자 모델을 결정하는 추론(inference) 시점 프레임워크인 Fold'EM을 소개합니다. 합성 및 실험 cryo-EM 데이터셋 전반에서 Fold'EM은 입자 방향이 알려진 경우와 방향을 구조와 함께 공동으로 추론하는 ab-initio 설정 모두에서 정확한 원자 구조를 복원합니다. 또한 이질적인 데이터셋에서 Fold'EM은 각 상태에 대해 별도로 밀도 맵을 재구성하고 원자 모델을 구축할 필요 없이, 혼합된 입자 집단으로부터 서로 다른 형태적 상태(conformational states)를 추가로 분해해 냅니다. 우리는 이러한 결과가 적은 표본 영역에서의 구조 결정과 cryo-EM 입자로부터 직접 개체 수가 적은 형태적 상태를 규명하는 데 새로운 길을 열어줄 것이라 믿습니다.

arXiv:2607.08198v1cs.CV

다중 스케일 이미지 표현을 통한 비쌍 결합 분포 모델링

Unpaired Joint Distribution Modeling via Multi-Scale Image Representations

비지도(unpaired) 조건에서 주변 분포만으로 결합 분포를 학습하는 문제를 다루며, 보조 표현을 활용한 잠재 변수 확률 프레임워크 LUD-MSR을 제안하고 분포 근사 오차의 이론적 상한을 도출한다. 도메인 일관성과 정보 보존 간의 트레이드오프를 해소하기 위해 다중 스케일 이미지 표현(MSR) 매핑을 도입하였으며, 극저온 전자 현미경(cryo-EM) 노이즈 제거를 포함한 실세계 벤치마크에서 기존 방법 대비 우수한 성능을 입증한다.

arXiv:2606.31332v1cs.AI

CryoACE: An Atom-centric Framework for Accurate and Automated Model Building in Cryo-EM

Cryo-EM 밀도 맵에서 단백질 원자 모델을 자동으로 구축하는 CryoACE는 원자 좌표에서 직접 밀도 특징을 샘플링하는 원자 중심(atom-centric) 재구성 패러다임과 예측된 로컬 해상도 사전 정보를 활용한 학습 불필요 가이던스 메커니즘을 핵심 혁신으로 제시한다. EMPIAR-10345 등 복잡한 실세계 데이터셋에서 기존 정적 구조 없이도 원자 수준의 동적 형태를 최초로 공개하며, 균질 및 비균질 구조 모두에서 기존 베이스라인을 크게 능가하는 성능을 달성했다.