1 弱光非线性光子学教育部重点实验室,南开大学物理科学学院,泰达应用物理研究院,天津 300071
2 药物化学生物学全国重点实验室,南开大学生命科学学院,细胞应答交叉科学中心,天津 300071
3 南开大学深圳研究院,广东 深圳 518083
4 山西大学极端光学协同创新中心,山西 太原 030006
核孔复合物(NPC)是细胞核膜上由多种蛋白组装而成的复杂结构,在细胞核质交换和信息传递中起着关键作用。单分子定位超分辨成像(SMLM)以其特异性和高成像分辨率成为研究NPC超微结构的主要方法之一。然而,由于抗体标记不完全等因素导致的数据丢失,给后续分析带来了困难。笔者使用SMLM提供的定位信息,结合基于密度的空间聚类算法(DBSCAN)和层次聚类算法进行数据的提取和分类,建立了NPC筛选和定位的分析流程,并采用该处理流程得到了缺失较少且形貌比较均匀的核孔。进一步,基于最小二乘法原理对筛选得到的大量NPC进行质心对齐的重构处理,成功复现出了其经典的八重对称结构,并揭示了核孔蛋白Nup133与Nup98的精确相对位置关系。本研究通过建立核孔筛选和重构的标准流程,填补了SMLM数据的缺失。采用该流程对多种核孔蛋白进行分析,揭示它们的结构特性。所建流程为理解核孔的复杂结构提供了一种高通量的定量分析方法。
生物光学 超分辨成像 单分子定位 核孔复合物 聚类算法 重构
1 武汉科技大学 信息科学与工程学院,湖北 武汉 430081
2 湖南大学 信息科学与工程学院,湖南 长沙 410082
3 北京航空航天大学 仪器科学与光电工程学院,北京 100191
VGGNet能提供高精度的火星图像分类,但需消耗大量内存资源。鉴于器载计算机内存资源有限,为解决这一矛盾,本文提出了基于迭代剪枝VGGNet的火星图像分类方法。首先,采用迁移学习训练网络的连通性,以便评估神经元的重要性;其次,通过迭代剪枝方法修剪不重要的神经元,以便将全连接层的参数量和内存占用量减少;最后,采用K-means++聚类实现权重参数的量化,利用霍夫曼编码压缩迭代剪枝与量化后的VGGNet权重参数,达到减少存储量和浮点数运算量的作用。此外,通过5种数据增强方法进行数据扩充,目的是解决类别不平衡的问题。实验结果表明,压缩后的VGGNet模型的所占内存、Flops和准确率分别为62.63 Mb、150.6 MFlops和96.15%。与ShuffleNet、MobileNet和EfficientNet等轻量级图像分类算法相比,所提模型具有更好的性能。
图像分类 卷积神经网络 迭代方法 聚类算法 VGGNet image classification convolutional neural networks iterative methods clustering algorithms VGGNet
光子学报
2021, 50(12): 1228001