[論文レビュー] A^2-Net: Molecular Structure Estimation from Cryo-EM Density Volumes

Kui Xu, Zhe Wang+3 more|arXiv (Cornell University)|Jan 3, 2019

Advanced Electron Microscopy Techniques and Applications参考文献 34被引用数 7

ひとこと要約

本論文は、低温電子線画像法（cryo-EM）密度ボリュームからの分子構造推定を3次元オブジェクト検出およびポーズ推定タスクとして定式化する深層学習フレームワーク、A²-Netを提案する。3次元畳み込みニューラルネットワーク（3D CNN）に、空間的忠実度を保持するAPRoI（アスペクト比を保全するRoI）層と、逐次ガイド付きネイバー損失を組み合わせ、アミノ酸の高精度検出を実現するとともに、主鎖のスレーディングに逐次ガイド付きモンテカルロ木探索（MCTS）を適用し、数分で91％のカバレッジを達成した。これは、Rosetta-denovoなどの先行自動手法と比較して、数百倍速く、かつより高精度である。

ABSTRACT

Constructing of molecular structural models from Cryo-Electron Microscopy (Cryo-EM) density volumes is the critical last step of structure determination by Cryo-EM technologies. Methods have evolved from manual construction by structural biologists to perform 6D translation-rotation searching, which is extremely compute-intensive. In this paper, we propose a learning-based method and formulate this problem as a vision-inspired 3D detection and pose estimation task. We develop a deep learning framework for amino acid determination in a 3D Cryo-EM density volume. We also design a sequence-guided Monte Carlo Tree Search (MCTS) to thread over the candidate amino acids to form the molecular structure. This framework achieves 91% coverage on our newly proposed dataset and takes only a few minutes for a typical structure with a thousand amino acids. Our method is hundreds of times faster and several times more accurate than existing automated solutions without any human intervention.

研究の動機と目的

• 分子モデルの構築が人的に手作業で行われ、時間がかかり、誤りが生じやすいという、低温電子線画像法（cryo-EM）構造決定におけるボトル neck を解消すること。
• 原子座標を密度マップにフィットさせる作業を完全に自動化し、人為的介入を排除する学習ベースの手法を開発すること。
• 従来のテンプレートベースやサンプリングベースの手法と比較して、3次元低温電子線画像法（cryo-EM）密度ボリュームからのデノボタンパク質構造予測の精度と速度を向上させること。
• 分子構造推定手法のベンチマークに使用可能な大規模かつ豊富にアノテーションが付加されたデータセット（A²データセット）を構築・公開すること。
• 配列の事前知識を3次元検出と探索アルゴリズムに統合することで、効率的かつ高精度な主鎖スレーディングを実現すること。

提案手法

• 3次元畳み込みニューラルネットワーク（CNN）を用いた新規な3次元検出フレームワークを提案し、低温電子線画像法（cryo-EM）密度ボリューム内のアミノ酸を検出する。特徴マップのプーリング中に空間的忠実度を保持するため、独自のAPRoI（アスペクト比を保全するRoI）層を導入した。
• トレーニング段階で、進化的および逐次的事前知識を検出ネットワークに組み込むために、逐次ガイド付きネイバー損失を導入し、局所化精度を向上させた。
• 検出されたアミノ酸候補を、配列順序と幾何的整合性に従って完全なタンパク質鎖にスレーディングするため、逐次ガイド付きモンテカルロ木探索（MCTS）アルゴリズムを採用した。
• 実際のペプチド結合が存在しない候補ペアを効果的に除外することで、探索の効率性と正確性を向上させるために、ペプチド結合ネットワーク（PBNet）を設計した。
• 250,000個のアミノ酸オブジェクトを含む1,713本のタンパク質鎖を有する、新たに作成された大規模データセット（A²データセット）を用いてフレームワークの学習と評価を実施した。
• MV3D や Frustum-PointNet などの3次元検出モデルを比較対象として採用し、A²データセット上で優れた性能を示したほか、他の3次元検出タスクへの汎用性も示した。

実験結果

リサーチクエスチョン

• RQ1 深層学習を、低温電子線画像法（cryo-EM）密度ボリュームからの分子構造推定に効果的に適用可能か。特に、3次元オブジェクト検出およびポーズ推定タスクとして定式化できるか。
• RQ2 APRoI層によるRoI特徴抽出におけるアスペクト比の保持が、3次元密度マップにおけるアミノ酸検出精度に与える影響は何か。
• RQ3 ネイバー損失による配列事前知識の統合が、検出精度およびその後の主鎖スレーディング精度にどの程度向上効果をもたらすか。
• RQ4 逐次ガイド付きMCTSアルゴリズムは、従来の探索戦略（例：深さ優先探索：DFS）に比べ、主鎖スレーディングのカバレッジと効率性において優れているか。
• RQ5 A²データセットは、分子構造推定を越えて、他の3次元オブジェクト検出タスクに対しても汎用的で転送可能な特徴を提供できるか。

主な発見

• A²-Netフレームワークは、A²データセットで91％の配列カバレッジを達成し、Rosetta-denovoなどの既存の自動手法を顕著に上回った。
• 1タンパク質あたり6.8～11.3分の短時間で構造推定を完了したのに対し、Rosetta-denovoは1ラウンドあたり260時間も要した（例：260時間）。
• APRoI層の導入により、mAPが0.610から0.711に向上し、アミノ酸の形状を3次元検出で正確に捉えるためにアスペクト比の保持が重要であることが示された。
• 逐次ガイド付きネイバー損失の導入により、mAPは0.711から0.891に上昇し、カバレッジも著しく向上したが、mAPの上昇はわずかであった。
• PBNetは、実際のペプチド結合を89.8％の正確さで同定でき、無効な探索パスの効果的な除外が可能となり、MCTSの効率性と正確性が向上した。
• A²データセットで事前学習することで、KITTIベンチマークにおける3次元自動車検出性能が向上した。これは、A²データセットが3次元検出タスクに汎用的で転送可能な特徴を提供することを示している。