CryoPPP (Cryo-EM Protein Particle Picking Dataset), cryo-elektron mikroskobu (Cryo-EM) görüntülerinde protein parçacıklarının otomatik olarak tespit edilmesi amacıyla geliştirilmiş, uzmanlar tarafından etiketlenmiş büyük ölçekli bir veri setidir. Veri seti, makine öğrenmesi ve derin öğrenme modellerinin eğitimi, test edilmesi ve karşılaştırılması için oluşturulmuştur.

Veri Setinin İçeriği

CryoPPP, farklı protein komplekslerine ait binlerce Cryo-EM görüntüsünü ve bu görüntülerdeki protein parçacıklarının uzmanlar tarafından belirlenmiş konumlarını içerir.

  • Yaklaşık 9.900 yüksek çözünürlüklü Cryo-EM mikrografı içerir.
  • 34 farklı protein kompleksine ait görüntüler bulunmaktadır.
  • Protein parçacıklarının koordinatları uzmanlar tarafından manuel olarak işaretlenmiştir.
  • Veriler EMPIAR (Electron Microscopy Public Image Archive) arşivinden elde edilmiştir.

Neden Önemlidir?

Cryo-EM analiz süreçlerinde en kritik aşamalardan biri "particle picking" olarak adlandırılan, protein parçacıklarının görüntüler üzerinde tespit edilmesi işlemidir. Bu işlem geleneksel yöntemlerle zaman alıcı ve yoğun insan emeği gerektiren bir süreçtir. CryoPPP veri seti, bu sürecin otomatikleştirilmesine yönelik yapay zekâ modellerinin geliştirilmesine olanak sağlar.

  • Otomatik protein parçacığı tespit yöntemlerinin geliştirilmesini destekler.
  • Derin öğrenme modelleri için güvenilir etiketli veri sağlar.
  • Farklı algoritmaların performanslarının karşılaştırılmasına imkân tanır.
  • Cryo-EM analizlerinde insan müdahalesini azaltmaya yardımcı olur.

Veri Setinde Bulunan Dosyalar

CryoPPP veri seti yalnızca görüntülerden oluşmaz; aynı zamanda analiz ve model eğitimi için gerekli ek dosyaları da içerir.

  • Ham mikrograflar (raw micrographs)
  • Hareket düzeltmesi uygulanmış görüntüler (motion-corrected micrographs)
  • Protein parçacık koordinatları (ground truth labels)
  • Particle stack dosyaları
  • İlgili meta veriler ve deneysel bilgiler

Biyoinformatik ve Yapay Zekâ Uygulamaları

CryoPPP, yapısal biyoloji ve biyoinformatik alanlarında geliştirilen çok sayıda yapay zekâ uygulamasında eğitim ve değerlendirme veri seti olarak kullanılmaktadır.

  • Convolutional Neural Network (CNN) tabanlı modeller
  • Object Detection algoritmaları
  • U-Net tabanlı segmentasyon yöntemleri
  • Self-supervised learning çalışmaları
  • Few-shot learning yaklaşımları
  • DeepPicker, Topaz ve CryoMAE gibi Cryo-EM araçlarının geliştirilmesi

Veri Setinin Boyutu

CryoPPP veri seti oldukça büyük bir veri hacmine sahiptir ve farklı sürümler halinde sunulmaktadır.

  • Tam veri seti yaklaşık 2.6 TB boyutundadır.
  • CryoPPP-Lite sürümü yaklaşık 121 GB boyutundadır.

Akademik Önemi

CryoPPP, günümüzde Cryo-EM görüntülerinde protein parçacığı tespiti için geliştirilen makine öğrenmesi ve derin öğrenme yöntemlerinin değerlendirilmesinde kullanılan en önemli benchmark veri setlerinden biridir. Yapısal biyoloji, biyoinformatik ve hesaplamalı biyoloji alanlarında yaygın olarak tercih edilmektedir.