Classification of crystallization outcomes using deep convolutional neural networks.
Classification of crystallization outcomes using deep convolutional neural networks.
复制标题
DOI：
10.1371/journal.pone.0198883
复制
发表时间：
2018
期刊：
影响因子：
3.7
通讯作者：
Wilson J
中科院分区：
文献类型：
--
作者：
Bruno AE;Charbonneau P;Newman J;Snell EH;So DR;Vanhoucke V;Watkins CJ;Williams S;Wilson J
结晶结果的机器识别（MARCO）计划已经从各种来源和设置中收集了大约50万张大分子结晶实验的注释图像。在这里，最先进的机器学习算法在此数据集的不同部分上进行训练和测试。我们发现，超过94%的测试图像可以被正确标记，无论其实验起源。由于晶体识别是高密度筛选和结晶实验系统分析的关键，因此这种方法为工业和基础研究应用打开了大门。
The Machine Recognition of Crystallization Outcomes (MARCO) initiative has assembled roughly half a million annotated images of macromolecular crystallization experiments from various sources and setups. Here, state-of-the-art machine learning algorithms are trained and tested on different parts of this data set. We find that more than 94% of the test images can be correctly labeled, irrespective of their experimental origin. Because crystal recognition is key to high-density screening and the systematic analysis of crystallization experiments, this approach opens the door to both industrial and fundamental research applications.
登录
查看更多内容
DOI：
10.1007/s10969-009-9076-9
发表时间：
2010-03
期刊：
Journal of structural and functional genomics
影响因子：
--
作者：
Cumbaa, Christian A;Jurisica, Igor
通讯作者：
Jurisica, Igor
影响因子：
3.9
作者：
Altan I;Charbonneau P;Snell EH
通讯作者：
Snell EH
影响因子：
5.8
作者：
Fusco, Diana;Charbonneau, Patrick
通讯作者：
Charbonneau, Patrick
DOI：
10.1107/s0907444903015130
发表时间：
2003-09-01
期刊：
ACTA CRYSTALLOGRAPHICA SECTION D-BIOLOGICAL CRYSTALLOGRAPHY
影响因子：
--
作者：
Cumbaa, CA;Lauricella, A;Jurisica, I
通讯作者：
Jurisica, I
对计算生物学的深度学习。
影响因子：
9.9
作者：
Angermueller C;Pärnamaa T;Parts L;Stegle O
通讯作者：
Stegle O