跳到正文
arXiv· Daniel Aibinder; Azmi Haider; Dan Rosenbaum·· 13 天前AI 评分47

EB-FM:面向连续冷冻电镜异质性的经验贝叶斯流匹配

Empirical Bayes Flow Matching for Continuous Cryo-EM Heterogeneity

AI 导读

EB-FM 用蒙特卡洛随机近似 EM 框架,从带噪二维投影图像直接学习 3D 原子结构的流匹配先验,无需干净数据预训练。其 E 步以引导流生成做近似后验采样并保留持久潜变量估计,M 步用稳定后的潜变量更新流模型。在 two-moons、MNIST 和已知姿态的模拟冷冻电镜数据上,EB-FM 可在原子坐标空间恢复蛋白质构象的连续分布。

预印本 · arxiv · 2611.05202

本站摘要基于收录版本 v1(2026-11-04),原始摘要与 AI 导读固定保留。

来源最近更新: · 来源 v1

摘要 · AI 翻译

我们研究从间接、含噪的观测中学习高维隐变量上的生成先验这一问题,重点关注冷冻电子显微镜(cryo-EM)中的连续异质性。在此设定下,三维原子结构 $x \in \mathbb{R}^{3N_a}$ 从未被直接观测到,必须从由复杂的非线性前向算子生成的二维投影图像 $y$ 中推断出来。我们提出经验贝叶斯流匹配(Empirical Bayes Flow Matching,EB-FM),该方法通过蒙特卡洛随机逼近期望最大化框架,直接从观测中学习流匹配先验 $p_θ(x)$。EB-FM 在两个步骤之间交替:E 步通过引导式流生成从 $p_θ(x \mid y)$ 进行近似后验采样,同时通过随机逼近维持持久的隐变量估计;M 步则使用这些稳定的隐变量作为训练目标来更新流模型。该方法无需在干净数据上预训练,并且天然适用于非线性前向模型。我们在使用 two-moons 和 MNIST 数据的受控逆问题上验证了该方法,并在位姿已知的模拟 cryo-EM 数据上展示了其有效性,表明 EB-FM 能够直接在原子坐标空间中恢复蛋白质构象的连续分布。

来源:arXiv · arxiv.org