CryoET Flagellar Motors Dataset
Corpus d’imagerie cryo-électronique en tomographie pour la localisation automatique de moteurs flagellaires chez les bactéries.
167 000 fichiers (tomogrammes et annotations 3D) – formats variés de microscopie cryo-ET
CC0: Public Domain
Description
Ce dataset contient des données issues de la microscopie cryo-électronique en tomographie (cryo-ET), avec plus de 1200 tomogrammes et plus de 1600 annotations manuelles de moteurs flagellaires bactériens. Il a été conçu dans le cadre d’un challenge scientifique de localisation 3D à l’université BYU. Il s’agit d’un ensemble de données très détaillé pour entraîner ou tester des modèles de détection de structures biologiques à l’échelle nanométrique.
À quoi sert ce dataset ?
- Entraîner des modèles de détection 3D sur données cryo-ET en biologie moléculaire
- Localiser automatiquement des structures subcellulaires dans les cellules bactériennes
- Analyser la morphologie des moteurs flagellaires dans le contexte de recherche biomédicale
Peut-on l’enrichir ou l’améliorer ?
Oui. Le dataset peut être enrichi par des méthodes de segmentation 3D automatique, de classification des structures ou d’étiquetage complémentaire (type de bactérie, orientation, etc.). Il peut aussi servir de base à des approches de super-résolution ou de reconstruction 3D assistée par IA.
🔎 En résumé
🧠 Recommandé pour
- Chercheurs en biophysique
- Experts en microscopie
- Ingénieurs IA biomédicale
🔧 Outils compatibles
- PyTorch3D
- MONAI
- Amira
- ChimeraX
- Python + NumPy/Scikit-Image
💡 Astuce
Pour les meilleurs résultats, utilisez des méthodes de data augmentation 3D avant d’entraîner vos modèles de détection ou segmentation.
Questions fréquemment posées
Que représente exactement une annotation dans ce dataset ?
Chaque annotation indique l’emplacement d’un moteur flagellaire identifié manuellement dans un tomogramme 3D cryo-ET.
Peut-on utiliser ces données pour la reconstruction 3D ?
Oui, les tomogrammes permettent de reconstruire des volumes 3D bactériens et d’y localiser les structures d’intérêt.
Ce dataset est-il adapté à une tâche de classification ?
Indirectement. Il est surtout conçu pour la localisation, mais les régions annotées peuvent être utilisées comme base de classification.




