.png){kind=icon}
返回
Enhancing diffusion estimation in single-particle experiments through motion change analysis using deep learning
.png){kind=icon}
OA
AI
DOI：10.1088/2515-7647/add978.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
扩散是许多科学学科中的基本过程，而准确表征单分子水平的扩散对于理解复杂动态系统至关重要。为在运动变化存在的情况下推进和基准化异常扩散（AnDi）分析方法，一个国际科学家团队于2024年3月发起了第二届AnDi挑战赛，评估和比较了动态系统中扩散估计的新方法和现有方法。为回应该挑战，我们介绍了U-LFormer，一种专为单粒子追踪（SPT）实验中的精确运动分析设计的深度学习框架。通过整合先进的网络架构、训练目标和运动变化分析，U-LFormer在变化点检测和扩散参数识别方面表现出色，适用于不同长度的轨迹。在第二届AnDi挑战赛中，U-LFormer在视频轨道集成任务中取得第一名，在轨迹轨道单轨迹任务中取得第二名，是唯一一种在所有任务中持续名列前茅的方法。本研究中的进一步评估表明了U-LFormer的鲁棒性和多功能性，推动了SPT实验中扩散分析的边界。
Keyword:
anomalous diffusion
single-particle tracking
deep learning
AnDi2 challenge
期刊
J
IF:
8.4
论文数:
125
被引数:
1.4K
机构
暂无机构信息
引用论文
Extracting intracellular diffusive states and transition rates from single-molecule tracking data.png)
NATURE METHODS
NATURE METHODSIF32.1
PREAI
分享收藏分享收藏分享收藏Defect-driven anomalous transport in fast-ion conducting solid electrolytes快速离子导电固体电解质中缺陷驱动的异常传输NATURE MATERIALS
NATURE MATERIALSIF38.5
PREAI
分享收藏
查看更多内容