Transmission electron cryomicroscopyTransmission electron cryomicroscopy (CryoTEM), commonly known as cryo-EM, is a form of cryogenic electron microscopy, more specifically a type of transmission electron microscopy (TEM) where the sample is studied at cryogenic temperatures (generally liquid-nitrogen temperatures). Cryo-EM is gaining popularity in structural biology. The utility of transmission electron cryomicroscopy stems from the fact that it allows the observation of specimens that have not been stained or fixed in any way, showing them in their native environment.
Cryomicroscopie électroniquevignette|Un microscope électronique en transmission (2003). La cryomicroscopie électronique (cryo-ME) correspond à une technique particulière de préparation d’échantillons biologiques utilisée en microscopie électronique en transmission. Développée au début des années 1980, cette technique permet de réduire les dommages d’irradiation causés par le faisceau d’électrons. Elle permet également de préserver la morphologie et la structure des échantillons.
Tomographic reconstructionTomographic reconstruction is a type of multidimensional inverse problem where the challenge is to yield an estimate of a specific system from a finite number of projections. The mathematical basis for tomographic imaging was laid down by Johann Radon. A notable example of applications is the reconstruction of computed tomography (CT) where cross-sectional images of patients are obtained in non-invasive manner.
Iterative reconstructionIterative reconstruction refers to iterative algorithms used to reconstruct 2D and 3D images in certain imaging techniques. For example, in computed tomography an image must be reconstructed from projections of an object. Here, iterative reconstruction techniques are usually a better, but computationally more expensive alternative to the common filtered back projection (FBP) method, which directly calculates the image in a single reconstruction step.
Microscope électroniquethumb|Microscope électronique construit par Ernst Ruska en 1933.thumb|Collection de microscopes électroniques anciens (National Museum of Health & Medicine). Un microscope électronique (ME) est un type de microscope qui utilise un faisceau d'électrons pour illuminer un échantillon et en créer une très agrandie. Il est inventé en 1931 par des ingénieurs allemands. Les microscopes électroniques ont un pouvoir de résolution supérieur aux microscopes optiques qui utilisent des rayonnements électromagnétiques visibles.
Apprentissage profondL'apprentissage profond ou apprentissage en profondeur (en anglais : deep learning, deep structured learning, hierarchical learning) est un sous-domaine de l’intelligence artificielle qui utilise des réseaux neuronaux pour résoudre des tâches complexes grâce à des architectures articulées de différentes transformations non linéaires. Ces techniques ont permis des progrès importants et rapides dans les domaines de l'analyse du signal sonore ou visuel et notamment de la reconnaissance faciale, de la reconnaissance vocale, de la vision par ordinateur, du traitement automatisé du langage.
Apprentissage auto-superviséL'apprentissage auto-supervisé ("self-supervised learning" en anglais) (SSL) est une méthode d'apprentissage automatique. Il apprend à partir d'échantillons de données non étiquetés. Il peut être considéré comme une forme intermédiaire entre l'apprentissage supervisé et non supervisé. Il est basé sur un réseau de neurones artificiels. Le réseau de neurones apprend en deux étapes. Tout d'abord, la tâche est résolue sur la base de pseudo-étiquettes qui aident à initialiser les poids du réseau.
Apprentissage de représentationsEn apprentissage automatique, l'apprentissage des caractéristiques ou apprentissage des représentations est un ensemble de techniques qui permet à un système de découvrir automatiquement les représentations nécessaires à la détection ou à la classification des caractéristiques à partir de données brutes. Cela remplace l'ingénierie manuelle des fonctionnalités et permet à une machine d'apprendre les fonctionnalités et de les utiliser pour effectuer une tâche spécifique.
Microscope électronique en transmission à balayagevignette|Exemple de Microscope électronique en transmission à balayage VG501 Un microscope électronique en transmission à balayage (METB ou en anglais STEM pour scanning transmission electron microscope) est un type de microscope électronique dont le principe de fonctionnement allie certains aspects du microscope électronique à balayage et du microscope électronique en transmission. Une source d'électrons focalise un faisceau d'électrons qui traverse l'échantillon.
Apprentissage automatiqueL'apprentissage automatique (en anglais : machine learning, « apprentissage machine »), apprentissage artificiel ou apprentissage statistique est un champ d'étude de l'intelligence artificielle qui se fonde sur des approches mathématiques et statistiques pour donner aux ordinateurs la capacité d'« apprendre » à partir de données, c'est-à-dire d'améliorer leurs performances à résoudre des tâches sans être explicitement programmés pour chacune. Plus largement, il concerne la conception, l'analyse, l'optimisation, le développement et l'implémentation de telles méthodes.
Deep belief networkIn machine learning, a deep belief network (DBN) is a generative graphical model, or alternatively a class of deep neural network, composed of multiple layers of latent variables ("hidden units"), with connections between the layers but not between units within each layer. When trained on a set of examples without supervision, a DBN can learn to probabilistically reconstruct its inputs. The layers then act as feature detectors. After this learning step, a DBN can be further trained with supervision to perform classification.
Microscopie électronique en transmissionvignette|upright=1.5|Principe de fonctionnement du microscope électronique en transmission. vignette|Un microscope électronique en transmission (1976). La microscopie électronique en transmission (MET, ou TEM pour l'anglais transmission electron microscopy) est une technique de microscopie où un faisceau d'électrons est « transmis » à travers un échantillon très mince. Les effets d'interaction entre les électrons et l'échantillon donnent naissance à une image, dont la résolution peut atteindre 0,08 nanomètre (voire ).
Méthode d'EulerEn mathématiques, la méthode d'Euler, nommée ainsi en l'honneur du mathématicien Leonhard Euler (1707 — 1783), est une procédure numérique pour résoudre par approximation des équations différentielles du premier ordre avec une condition initiale. C'est la plus simple des méthodes de résolution numérique des équations différentielles. thumb|Illustration de la méthode d'Euler explicite : l'avancée se fait par approximation sur la tangente au point initial.
ConformérieEn chimie, la conformérie est une forme de stéréoisomérie décrivant le fait qu'une même molécule existe sous la forme de plusieurs conformères (ou isomères de conformation) à la suite de la rotation des atomes autour de liaisons chimiques simples. On parle surtout de conformérie en chimie organique, pour des rotations autour des liaisons carbone-carbone. Il existe trois principaux facteurs qui rendent certains conformères plus stables que les autres : L'interaction entre une liaison σ et le lobe orbital arrière d'une liaison σ∗ voisine : cela n'est possible que lorsque les deux liaisons sont décalées.
Single particle analysisSingle particle analysis is a group of related computerized image processing techniques used to analyze images from transmission electron microscopy (TEM). These methods were developed to improve and extend the information obtainable from TEM images of particulate samples, typically proteins or other large biological entities such as viruses. Individual images of stained or unstained particles are very noisy, and so hard to interpret. Combining several digitized images of similar particles together gives an image with stronger and more easily interpretable features.
Microscopie électronique à balayagethumb|right|Premier microscope électronique à balayage par M von Ardenne thumb|right|Microscope électronique à balayage JEOL JSM-6340F thumb|upright=1.5|Principe de fonctionnement du Microscope Électronique à Balayage La microscopie électronique à balayage (MEB) ou scanning electron microscope (SEM) en anglais est une technique de microscopie électronique capable de produire des images en haute résolution de la surface d’un échantillon en utilisant le principe des interactions électrons-matière.
Cristallographie aux rayons XLa cristallographie aux rayons X, radiocristallographie ou diffractométrie de rayons X (DRX, on utilise aussi souvent l'abréviation anglaise XRD pour X-ray diffraction) est une technique d'analyse fondée sur la diffraction des rayons X par la matière, particulièrement quand celle-ci est cristalline. La diffraction des rayons X est une diffusion élastique, c'est-à-dire sans perte d'énergie des photons (longueurs d'onde inchangées), qui donne lieu à des interférences d'autant plus marquées que la matière est ordonnée.
Réseaux antagonistes génératifsEn intelligence artificielle, les réseaux antagonistes génératifs (RAG) parfois aussi appelés réseaux adverses génératifs (en anglais generative adversarial networks ou GANs) sont une classe d'algorithmes d'apprentissage non supervisé. Ces algorithmes ont été introduits par . Ils permettent de générer des images avec un fort degré de réalisme. Un GAN est un modèle génératif où deux réseaux sont placés en compétition dans un scénario de théorie des jeux. Le premier réseau est le générateur, il génère un échantillon (ex.
Méthode itérativeEn analyse numérique, une méthode itérative est un procédé algorithmique utilisé pour résoudre un problème, par exemple la recherche d’une solution d’un système d'équations ou d’un problème d’optimisation. En débutant par le choix d’un point initial considéré comme une première ébauche de solution, la méthode procède par itérations au cours desquelles elle détermine une succession de solutions approximatives raffinées qui se rapprochent graduellement de la solution cherchée. Les points générés sont appelés des itérés.
Deep image priorDeep image prior is a type of convolutional neural network used to enhance a given image with no prior training data other than the image itself. A neural network is randomly initialized and used as prior to solve inverse problems such as noise reduction, super-resolution, and inpainting. Image statistics are captured by the structure of a convolutional image generator rather than by any previously learned capabilities.
