Ученые автоматизировали поиск белковых кристаллов с помощью компьютерного зрения
Ученые из MARCO, занимающиеся изображениями кристаллографии, объединились с разработчиками из Google для создания инструмента распознавания кристаллов.
Группа ученых из инициативы MARCO (MAchine Recognition of Crystallization Outcomes) объединилась с инженерами из Google для разработки системы автоматического поиска лекарств с использованием машинного зрения. Доклад, опубликованный в научном журнале PLOS One, рассказывает о достигнутых успехах в автоматизации обнаружения белковых кристаллов с помощью сверточных нейросетей.
Подробнее об исследованиях MARCO
Белковые кристаллы имеют большую ценность для современных биомедицинских исследований. Благодаря им можно распознать структуру сложной молекулы, а значит, понять ее функции. Зная, что делает молекула, можно создать препарат, нацеленный на нее.
Ручной поиск белковых кристаллов затрачивает значительное количество времени. А так как они появляются редко, то цена ошибки в этой области высока. Поэтому исследователи из MARCO, которые занимаются сбором и хранением более полумиллиона отобранных изображений кристаллографии, объединились с разработчиками из Google для создания инструмента распознавания кристаллов.
Сложность заключалась в том, что эти белковые структуры бывают очень маленькими при большом размере исходного изображения, а сами исходники могут быть обработаны разными системами и технологиями:
Решение Google
Специалисты модифицировали стандартную модель глубоких сверточных сетей Inception v3, заставив ее распознавать очень большие изображения с такой же скоростью обучения. К тому же, она сохранила высокую степень точности, достигающую 94 %.
Авторы опубликовали исходный код модифицированной модели и добавили ее в открытую библиотеку TensorFlow, а также сделали ее доступной исследователям, использующим Cloud ML Engine.
Google уделяет большое внимание open source разработкам в области компьютерного зрения. В мае 2018 года компания открыла доступ к библиотеке Open Image v4, содержащей около 9 млн размеченных изображений.
610 открытий610 показов
Рассказали об инструменте для генерации дипфейков Roop, который позволяет заменить лицо на видео без предварительного обучения модели.
Рассказываем, как правильно подобрать данные для машинного обучения, какие данные подойдут и как использовать данные клиентов для ML.
Что спрашивают на собеседованиях в Google, Amazon и других топовых айти-компаниях, а также как к этим вопросам подготовиться.
Сделали подборку из рисующих нейросетей, причем у некоторых уже определяется своя специальность, будь то аватарки реальных людей или обложки постов