Jove
Visualize
お問い合わせ

関連する概念動画

Cryo-electron Microscopy01:28

Cryo-electron Microscopy

3.6K
Conventional electron microscopy (EM) involves dehydration, fixation, and staining of biological samples, which distorts the native state of biological molecules and results in several artifacts. Also, the high-energy electron beam damages the sample and makes it difficult to obtain high-resolution images. These issues can be addressed using cryo-EM, which uses frozen samples and gentler electron beams. The technique was developed by Jacques Dubochet, Joachim Frank, and Richard Henderson, for...
3.6K

こちらも読む

関連記事

共著者、ジャーナル、引用グラフによってこの研究に関連する記事。

並び替え
Same author

The Inaugural Flatiron Institute Cryo-EM Conformational Heterogeneity Challenge.

bioRxiv : the preprint server for biology·2025
Same author

Transport-based transfer learning on Electronic Health Records: application to detection of treatment disparities.

Journal of the American Medical Informatics Association : JAMIA·2025
Same author

A comprehensive survey and benchmark of deep learning-based methods for atomic model building from cryo-electron microscopy density maps.

Briefings in bioinformatics·2025
Same author

InstaMap: instant-NGP for cryo-EM density maps.

Acta crystallographica. Section D, Structural biology·2025
Same author

Optimal control of ribosome population for gene expression under periodic nutrient intake.

Journal of the Royal Society, Interface·2024
Same author

CAT PETR: a graphical user interface for differential analysis of phosphorylation and expression data.

Statistical applications in genetics and molecular biology·2023
JoVE
x logofacebook logolinkedin logoyoutube logo
JoVEについて
概要リーダーシップブログJoVEヘルプセンター
著者向け
出版プロセス編集委員会範囲と方針査読よくある質問投稿
図書館員向け
推薦の声購読アクセスリソース図書館諮問委員会よくある質問
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experimentsアーカイブ
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教員リソースセンター教員サイト
利用規約
プライバシーポリシー
ポリシー

関連する実験動画

Updated: Sep 8, 2025

Author Spotlight: Optimizing Cryo-EM Analysis with CryoSieve for Enhanced Particle Selection Efficiency
06:41

Author Spotlight: Optimizing Cryo-EM Analysis with CryoSieve for Enhanced Particle Selection Efficiency

Published on: May 10, 2024

1.9K

Struc2mapGAN: 合成冷凍電子顕微鏡密度マップを生成的対抗ネットワークで改善する

Chenwei Zhang1, Anne Condon1, Khanh Dao Duc2

  • 1Department of Computer Science, University of British Columbia, Vancouver, BC V6T 1Z4, Canada.

Bioinformatics advances
|August 20, 2025
PubMed
まとめ

Struc2mapGANは,分子構造から合成冷凍電子顕微鏡密度マップを生成します. 複雑な生物学的特徴を捉える上で 既存のシミュレーションを上回ります

さらに関連する動画

Deep Learning-Based Segmentation of Cryo-Electron Tomograms
10:25

Deep Learning-Based Segmentation of Cryo-Electron Tomograms

Published on: November 11, 2022

9.3K
Strategies for Optimization of Cryogenic Electron Tomography Data Acquisition
08:16

Strategies for Optimization of Cryogenic Electron Tomography Data Acquisition

Published on: March 19, 2021

4.6K

関連する実験動画

Last Updated: Sep 8, 2025

Author Spotlight: Optimizing Cryo-EM Analysis with CryoSieve for Enhanced Particle Selection Efficiency
06:41

Author Spotlight: Optimizing Cryo-EM Analysis with CryoSieve for Enhanced Particle Selection Efficiency

Published on: May 10, 2024

1.9K
Deep Learning-Based Segmentation of Cryo-Electron Tomograms
10:25

Deep Learning-Based Segmentation of Cryo-Electron Tomograms

Published on: November 11, 2022

9.3K
Strategies for Optimization of Cryogenic Electron Tomography Data Acquisition
08:16

Strategies for Optimization of Cryogenic Electron Tomography Data Acquisition

Published on: March 19, 2021

4.6K

科学分野:

  • 構造生物学
  • 計算生物学
  • バイオ物理学

背景:

  • 分子構造から合成3D密度マップを生成することは 構造生物学にとって極めて重要です
  • 既存のシミュレーション方法は,二次構造などの実験用冷凍電子顕微鏡 (cryogenic electron microscopy,cryo-EM) マップで見つかった複雑な特徴を複製するのに苦労しています.

研究 の 目的:

  • struc2mapGANを導入し,分子構造から改善された実験的な冷凍-EM密度マップを生成するための新しいデータ主導の方法.
  • 生物学的マクロモレキュルの複雑な詳細を捕捉する現在のシミュレーションベースのアプローチの限界に対処する.

主な方法:

  • ゲネラティブ・アダサリアル・ネットワーク (GAN) を採用し,ゲネラティブ・アダサリアル・ネットワーク (GAN) は,ゲネラティブ・アダサリアル・ネットワーク (GAN) と呼ばれる.
  • 学習効率を最適化するために,L1損失項と実験マップの事前処理を組み込む.
  • 実験的な冷凍-EMデータで訓練されたデータ主導のアプローチです.

主要な成果:

  • Struc2mapGANはトレーニング後の密度マップを迅速に生成することができます.
  • この方法は,さまざまな評価指標において,既存のシミュレーションベースの技術と比較して優れたパフォーマンスを示しています.
  • 複雑な特徴を含む実験的な冷凍-EMデータをよりよく模倣する地図を成功裏に生成します.

結論:

  • Struc2mapGANは,合成の冷凍-EM密度マップの生成に重要な進歩をもたらしています.
  • このツールは,構造生物学の研究を強化し,従来のシミュレーション方法に価値ある代替手段を提供します.
  • struc2mapGANの公開性 (https://github.com/chenwei-zhang/struc2mapGAN) は,より広範な採用とさらなる開発を促進しています.