Nature Communications:开发了一种用于低温显微镜粒子选择的连续学习方法

来源：清华大学2022-05-11 15336013

近年来，深度学习逐渐成为冷冻显微镜图像处理流程中粒子选择的常用方法。然而，现有的基于深度学习的粒子选择方法无法在新数据训练中动态地将新知识积累到模型中。也就是说，现有模型在新样本上训练后，虽然可以在最新的

近年来，深度学习逐渐成为冷冻显微镜图像处理流程中粒子选择的常用方法。然而，现有的基于深度学习的粒子选择方法无法在新数据训练中动态地将新知识积累到模型中。也就是说，现有模型在新样本上训练后，虽然可以在最新数据上获得良好的性能，但在旧数据上往往无法保持其粒子选择精度。此外，现有的方法都是在特定数据集上训练通用模型，当加入新的训练数据时，存储和计算成本非常高，这极大地限制了它对从未有过的数据的识别能力和准确性。因此，我们需要改进现有的深度学习网络训练的方式和方法。与此同时，现有的低温电子显微镜设备每天都在产生大量新数据。如果能够开发出一种不断学习的技术，在不断应用的过程中，深度神经网络可以不断学习和积累新数据中的新特征，不断增强生物样本的图像识别能力，这对现代自动冷冻电镜系统的发展具有重要意义。

清华大学生命科学学院李雪明副教授团队、清华大学电子工程系沈源教授团队、北京科技大学计算机与通信工程学院陈建生教授团队在《自然 通讯》 (Nature Communications)期刊上联合在线发表了研究论文。E picker (e picker是一种基于样本的连续学习方法，用于cry OEM颗粒拾取中的知识积累)是一种示例驱动的连续学习方法，用于低温电子显微镜颗粒选择中的知识积累。报道了一种案例驱动的连续学习方法在蛋白质粒子选择中的应用，通过在粒子选择过程中不断学习新知识，扩展了检测模型识别生物大分子的能力。发展连续学习方法的意义在于，人工深度神经网络可以具有类似人类的学习风格，在使用中不断学习新的知识和技能，从而不断增强自身的能力。经过训练后，EPicker可以选择广泛的生物对象，如蛋白质颗粒，囊泡和纤维。

图1 e picker的网络框架和持续学习示意图

针对现有方法的不足，研究团队设计了一种基于连续学习的粒子选择算法，可以在训练神经网络的过程中积累新的粒子选择知识，提高通用模型的粒子选择能力。该算法通过设计一个双向网络结构(图1)并整合知识提炼、历史回放、正则化和稀疏标注等方法，可以将新样本的知识积累到通用模型中，同时不忘记旧知识。这很好地解决了模型在新数据上训练后无法选择旧数据样本的问题。基于这些算法，研究团队开发了一个名为EPicker的新软件系统。为了进一步扩展该方法的应用范围，团队针对广泛的生物对象设计了相应的选择算法，包括选择囊泡、纤维等各种生物对象，支持有偏和无偏的粒子选择方法以满足用户的不同需求等等。通过在代表性和挑战性数据集上的大量实验，并与目前流行的粒子选择方法进行比较，验证了EPicker的有效性和优越性(图2)。实验结果表明，EPicker通过高效、高度自动化的连续学习过程，能够获得高精度、高召回率和泛化能力强的蛋白质粒子选择结果。

图2不同方法的颗粒选择结果比较

清华大学生命科学学院李雪明副教授、清华大学电子工程系沈源教授和北京科技大学计算机与通信工程学院陈建生教授是本文的合著者。清华大学电子工程系2019级硕士研究生张茵和2020级硕士研究生赵是该论文的共同第一作者。这项工作得到了国家科技攻关项目的支持。科技部d计划，国家委员会，北京结构生物学高级创新中心，北京生物结构前沿研究中心，生命科学联合中心，北京国家信息科学技术研究中心。

版权声明

本网站所有标注“来源：100医学网”或“来源：bioon”的文字、图片及音视频资料，版权归100医学网网站所有。未经授权，任何媒体、网站、个人不得转载，否则将追究法律责任。获得书面授权转载时，必须注明“来源：100医学网”。其他来源的文章均为转载文章。本网站所有转载文章都是为了传递更多信息。转载内容不代表本站立场。不想被转载的媒体或个人可以联系我们，我们会立即删除。

87%的用户都在使用100医疗网APP随时阅读、评论、分享、交流。请扫描二维码下载-