[論文レビュー] Single molecule localization microscopy challenge: a biologically inspired benchmark for long-sequence modeling

Fatemeh Valeh, Mónika Farsang+2 more|arXiv (Cornell University)|Mar 11, 2026

Neural Networks and Reservoir Computing被引用数 0

ひとこと要約

短い要約: 本論文は、 ground truth を用いた希薄で時間的に不規則な単一分子局在データ上で長文脈状態空間モデルを評価するためのシミュレーションベースのベンチマーク SMLM-C を導入し、dSTORM 条件下で S5 と Mamba-2 アーキテクチャを評価します。時間的連続性の低下と点滅のスパース性が高まるにつれて性能が低下することを見出し、現在の制約と SMLM 再構成におけるより堅牢な系列モデルの必要性を強調します。

ABSTRACT

State space models (SSMs) have recently achieved strong performance on long sequence modeling tasks while offering improved memory and computational efficiency compared to transformer based architectures. However, their evaluation has been largely limited to synthetic benchmarks and application domains such as language and audio, leaving their behavior on sparse and stochastic temporal processes in biological imaging unexplored. In this work, we introduce the Single Molecule Localization Microscopy Challenge (SMLM-C), a benchmark dataset consisting of ten SMLM simulations spanning dSTORM and DNA-PAINT modalities with varying hyperparameter designed to evaluate state space models on biologically realistic spatiotemporal point process data with known ground truth. Using a controlled subset of these simulations, we evaluate state space models and find that performance degrades substantially as temporal discontinuity increases, revealing fundamental challenges in modeling heavy-tailed blinking dynamics. These results highlight the need for sequence models better suited to sparse, irregular temporal processes encountered in real world scientific imaging data.

研究の動機と目的

• 生物学的に現実的で希薄な SMLM データ上で長文脈系列モデルの評価を動機づける。
• ground-truth 発光体位置を含む dSTORM および DNA-PAINT を横断する十シナリオのシミュレーションベンチマーク SMLM-C を紹介する。
• 点滅ダイナミクスにおける時間的離断性の変化下で状態空間モデル（S5 および Mamba-2）の性能を評価する。
• SMLM 再構成におけるモデル容量、スケーリング、時間的希 sparse に対する堅牢性について洞察を提供する。

提案手法

• 希薄な局在、重尾部点滅、および局在ノイズを特徴とする ten つのシミュレートされた SMLM シーケンス（dSTORM および DNA-PAINT）を SMLM-C として構築する。
• 局在シーケンスを固定サイズのエmitter 位置集合へマッピングするシーケンス対集合予測タスクとして SMLM 再構成を定式化する。
• S5 および Mamba-2 の長文脈状態空間モデルを評価し、プールされた表現をエmitter 座標へマッピングする回帰ヘッドを用いる。
• AdamW と Chamfer 距離損失で訓練し、検証 Hungarian エラーでモデルを選択する。
• エmitter 座標を表す順列不変の固定サイズ出力集合を使用し、検出指標と真陽性に対する RMSE で評価する。

実験結果

リサーチクエスチョン

• RQ1 長文脈の状態空間モデルは、希薄で不規則な点滅を含む生物学的に現実的な SMLM シーケンスでどの程度性能を発揮するか。
• RQ2 時間的離断性の増加（長いオフ時間）は局在精度とエミッタ回復にどのように影響するか。
• RQ3 より大きなモデル容量（S5-S vs S5-L、Mamba-2-S vs Mamba-2-L）は SMLM 的なスパースさの下で性能を改善するか。
• RQ4 観測の長期的な時間ギャップに対して一方のアーキテクチャがもう一方より堅牢か。

主な発見

• 時間的離断性が高まるにつれて、両ファミリの性能が低下する。
• より大きなモデルバリアントは検証・テストエラーを一貫して低く、長距離依存性をモデル化する能力が向上する。
• Mamba-2 は長いオフ時間領域で S5 を上回り、長期的な時間ギャップに対する堅牢性が高いことを示すが、計算コストは高い。
• 本研究で得られた最高の検出精度は短いオフ時間条件下で約 73% であり、改善の余地が substantial にあることを示す。
• 条件を超えて、長いオフ時間は検出精度を低下させ、エラーを増加させ、拡張の視界で点滅イベントの判別が根本的に難しいことを強調する。