クライオ電子線トモグラフィー（クライオET）は、細胞構造を比較的天然に近い状態で観察できる一方、試料への電子線損傷を抑えるため限られた傾斜角度でしか画像を収集できません。その結果、再構成されたトモグラムは測定作用素による強い劣化を受け、多数のタンパク質が密集する領域での自動的なタンパク質注釈は難しい問題となっています。
Bogdan Toader氏、Kiarash Jamali氏、Tanmay A. M. Bharat氏、Sjors H. W. Scheres氏による本論文は、こうした顕微鏡の結像過程がもたらす劣化をノイズとして除くのではなく、むしろ「マスク」として積極的に使う方法を提案します。具体的には、フォワードモデルで同じシーンに異なる測定劣化を適用してペアとなる拡張ビューを生成し、そのビュー間の不変性をLeJEPA自己教師あり学習の目的関数に組み込みます。これにより、実測定に典型的な撮影条件の影響を受けにくい表現がシミュレーションデータから学習できます。
さらに著者らは、シミュレーションでしか正確に得られない情報——各タンパク質の位置と種類——を「特権情報」として利用し、モデルのアーキテクチャと損失関数を設計します。この特権情報によって、出力される密な特徴量ボリュームでは、意味情報がタンパク質の位置に対応するよう局在化します。
こうして訓練されたモデルはCARNIVALと名づけられ、複数種のタンパク質と2種類のトモグラム処理を含む実データベンチマークで、ファインチューニングなしに分類・検出タスクが評価されました。比較対象は、同じシミュレーションデータ上でcontrastive objectiveにより学習されたが、フォワードモデル由来のペアビューや特権情報を用いていない最先端モデルです。実験の結果、CARNIVALはこのベースラインを上回る性能を示しました。
本稿は18ページ・7図からなり、2026年9月3日にarXivへ投稿されました。測定過程そのものを自己教師あり学習のマスクとして捉えるこのアプローチは、計算機シミュレーションで学習したモデルを実際のクライオETデータへ橋渡しする上で有効な戦略であることを示しています。