تتطلب عملية تفسير خرائط CryoEM (التصوير بالإلكترونات المجمدة) استخلاص ميزات موضعية ومتسقة عبر العينات وأن تكون غنية بالمعلومات على مختلف المقاييس. تقليديًا، تعتمد معظم طرق التعلم العميق على استخراج الميزات من شبكات فوكسل ثابتة، مما يحد من القدرة على التحليل الدقيق.

لكن مع ظهور تمثيلات عصبية ضمنية (Implicit Neural Representations) التي تتمتع بقدرة على نمذجة البيانات الحجمية كوظائف غير مرتبطة بالمقياس، نجحت هذه التقنية في تحسين فعالية التحليل. ومع ذلك، فإن تخصيص كل تمثيل عصبي لكل خريطة CryoEM كان يتطلب تكلفة عالية لاستخراج الميزات على نطاق واسع.

هنا يظهر دور Atelier، الإطار الجديد الذي يتيح التعلم الذاتي من خلال تقنيات متقدمة. تم تدربيه على مجموعة ضخمة من 5,439 خريطة من بنك بيانات التصوير بالإلكترونات، حيث يستخدم Atelier شبكة هايبر عصبية (Hypernetwork) تعتمد على التحويلات (Transformers) لتوليد إعادة بناؤات بدقة عالية لمجموعة واسعة من هياكل البروتين، بما في ذلك التجمعات متعددة الوحدات.

علاوة على ذلك، يوفر التمثيل العصبي الذي يتجلى من خلال التحولات المسبقة مستوى مستمر من الميزات المحلية عبر الفعّاليات الوسيطة، وهي ميزة لا يمكن أن تقدمها التقنيات التقليدية. تُستخدم هذه الميزات كقنوات مساعدة لهيكل تنظيم ثلاثي الأبعاد مُدرَّب من الصفر، مما يحسن الأداء في ثمان مهام تنبؤية على مستوى الفوكسل مقارنة بالأساسيات فقط.

تثبت نتائجنا أن التمثيلات العصبية الضمنية المدمجة تمثل أداة فعّالة لتحليل البيانات التي تدرك الهندسة في CryoEM، مما يوفر طريقًا جديدًا لزيادة فعالية التحليل واستكشاف العلوم الحيوية.