[논문 리뷰] Single molecule localization microscopy challenge: a biologically inspired benchmark for long-sequence modeling

Fatemeh Valeh, Mónika Farsang외 2명|arXiv (Cornell University)|2026. 03. 11.

Neural Networks and Reservoir Computing인용 수 0

한 줄 요약

논문은 ground truth를 가진 희박하고 시간적으로 불규칙한 단일 분자 위치화 데이터에서 긴 맥락 상태 공간 모델을 평가하기 위한 시뮬레이션 기반 벤치마크인 SMLM-C를 도입하고, dSTORM 조건에서 S5와 Mamba-2 아키텍처를 평가한다. 시간적 불연속성 증가와 깜박임 희소성으로 성능이 저하된다는 것을 발견하여 현재의 한계와 SMLM 재구성에서 더 강인한 시퀀스 모델의 필요성을 강조한다.

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.

연구 동기 및 목표

• 생물학적으로 현실적이고 희박한 SMLM 데이터에서 긴 맥락 시퀀스 모델의 평가를 촉진한다.
• ground-truth 발신 위치가 있는 dSTORM 및 DNA-PAINT의 ten-scenario 시뮬레이션 벤치마크 SMLM-C를 도입한다.
• 깜박임 다이나믹의 다양한 시간적 불연속성 하에서 상태 공간 모델(S5 및 Mamba-2)의 성능을 평가한다.
• SMLM 재구성의 모델 용량, 확장성, 시간적 희소성에 대한 강인성에 대한 통찰을 제공한다.

제안 방법

• 희박한 위치화, 큰 꼬리 꼬리의 깜박임, 그리고 위치화 노이즈를 특징으로 하는 열 개의 시뮬레이션된 SMLM 시퀀스(dSTORM 및 DNA-PAINT)로 SMLM-C를 구성한다.
• SMLM 재구 성을 위치 시퀀스를 고정된 크기의 emitters 위치 집합으로 매핑하는 시퀀스-투-세트 예측 작업으로 공식화한다.
• S5 및 Mamba-2 장기 맥락 상태공간 모델을 풀(pooling) 표현을 emit 좌표로 매핑하는 회귀 헤드를 사용하여 평가한다.
• AdamW를 사용하고 Chamfer 거리 손실을 사용한 학습을 수행하며 검증 Hungarian 오차로 모델을 선택한다.
• 발견체 좌표를 나타내기 위해 순열 불변의 고정 크기 출력 집합을 사용하고 탐지 지표와 진양성에 대한 RMSE로 평가한다.

실험 결과

연구 질문

• RQ1 생물학적으로 현실적이고 희박한 SMLM 시퀀스에서 긴 맥락 상태 공간 모델은 어떻게 성능을 발휘하는가?
• RQ2 시간적 불연속성 증가(더 긴 오프 타임)가 위치화 정확도와 방출자 회복에 어떤 영향을 미치는가?
• RQ3 더 큰 모델 용량(S5-S vs S5-L, Mamba-2-S vs Mamba-2-L)이 SMLM 유사 희소성 하에서 성능을 개선하는가?
• RQ4 관찰에 대한 extended temporal gaps에 대해 한 아키텍처가 다른 것보다 더 강건한가?

주요 결과

• 시간적 불연속성이 증가함에 따라 두 모델 계열 모두 성능이 저하된다.
• 더 큰 모델 변형은 일관되게 검증 및 테스트 오차를 낮추어 장거리 의존성을 더 잘 모델링함을 보여준다.
• Mamba-2는 길이가 긴 오프타임 구간에서 S5보다 더 우수한 성능을 보이지만 더 높은 계산 비용이 든다.
• 본 연구에서 짧은 오프타임 조건에서의 최고 탐지 정확도는 약 73%로, 개선의 여지가 상당하다.
• 다양한 조건에서 더 긴 오프타임은 탐지 정확도를 감소시키고 오류를 증가시키며, extended horizon에서 깜박임 이벤트의 구분에 근본적인 도전이 있음을 시사한다.