[論文レビュー] Amortized Inference for Heterogeneous Reconstruction in Cryo-EM

Axel Levy, Gordon Wetzstein+3 more|arXiv (Cornell University)|Oct 13, 2022

Advanced Electron Microscopy Techniques and Applications被引用数 13

ひとこと要約

本稿では、マイクログラフの3次元構造、コンformational状態、および未知の姿勢を、数百万枚のノイズの多い2次元投影から同時に推定する、アモアタイズド推論フレームワークであるcryoFIREを紹介する。物理的ベースのデコーダを備えた学習可能なエンコーダ・デコーダアーキテクチャを用いることで、最新の手法と比較して10倍の高速化を達成しながらも、精度を損なわず、実験的データセットにおけるコンformationalダイナミクスの高速でスケーラブルな解析を可能にする。

ABSTRACT

Cryo-electron microscopy (cryo-EM) is an imaging modality that provides unique insights into the dynamics of proteins and other building blocks of life. The algorithmic challenge of jointly estimating the poses, 3D structure, and conformational heterogeneity of a biomolecule from millions of noisy and randomly oriented 2D projections in a computationally efficient manner, however, remains unsolved. Our method, cryoFIRE, performs ab initio heterogeneous reconstruction with unknown poses in an amortized framework, thereby avoiding the computationally expensive step of pose search while enabling the analysis of conformational heterogeneity. Poses and conformation are jointly estimated by an encoder while a physics-based decoder aggregates the images into an implicit neural representation of the conformational space. We show that our method can provide one order of magnitude speedup on datasets containing millions of images without any loss of accuracy. We validate that the joint estimation of poses and conformations can be amortized over the size of the dataset. For the first time, we prove that an amortized method can extract interpretable dynamic information from experimental datasets.

研究の動機と目的

• データセットサイズに伴い著しく悪化するポーズ探索の計算ボトルネックを解消すること。
• 事前姿勢やコンformational推定に依存せず、アビ・イニツィオから再構成を可能にする。
• 数百万枚の画像から、ポーズとコンformational状態を効率的に同時に推定するアモアタイズド推論フレームワークを開発すること。
• 大規模データセット上で、ポーズとコンformational状態の推定を効果的にアモタライズできるか、かつコンformationalダイナミクスの解釈可能性が保たれるかを検証すること。
• 実際の実験的cryo-EMデータに対して、アビ・イニツィオ非均質再構成のためのアモアタイズド推論の初の実例を提示すること。

提案手法

• 2次元cryo-EM画像を、ポーズ（回転と並進）およびコンformational状態の推定にマッピングするエンコーダを備えた深層オートエンコーダベースのアーキテクチャを用いる。
• デコーダは、3次元ボリュームをニューラルフィールドとしてパラメータライズドしたコンformational状態から、ノイズのない投影を再構成する物理的ベースの画像形成モデルを用いる。
• 再構成損失と微分可能なレンダリングプロセスを組み合わせた特化された損失関数により、エンコーダ・デコーダシステムのエンドツーエンド学習を可能にする。
• 推論をアモタライズするために、1つの関数を学習し、画像から潜在変数へのマッピングを実現し、推論時に個々の画像の最適化を回避する。
• ポーズとコンformational状態の相関を解消するための「ポーズ専用フェーズ」を訓練に含め、分離性とモデル安定性を向上させる。
• 離散的および連続的コンformational非均質性の両方をサポートし、主成分分析（PCA）やクラスタリングによる後続解析により、動的状態を解釈可能にする。

実験結果

リサーチクエスチョン

• RQ1 アモアタイズド推論は、計算コストを削減するために、ab initio非均質なcryo-EM再構成に効果的に適用可能か？
• RQ2 1つのニューラルネットワークが、ノイズの多い2次元投影から未知のポーズとコンformational状態を同時にかつ正確に推定可能か？
• RQ3 アモアタイズド推論は、反復的ポーズ探索手法と比較して10倍の高速化を達成しながらも、精度を維持できるか？
• RQ4 cryoFIREで学習されたコンformational空間は、バイオマoleculeの主成分モードとしての運動の解釈可能な特徴を明らかにできるか？
• RQ5 事前ポーズ推定なしに、実際の実験的cryo-EMデータセットに対して、ポーズとコンformational状態のエンドツーエンドで統合された推論が可能か？

主な発見

• syntheticデータセット（離散的および連続的非均質性を含む）において、最新の手法と比較して、再構成推論時間を10倍高速化しながらも、精度に損なわれない。
• 本手法は、バイオマoleculeのコンformational多様体を効果的に再構成でき、潜在空間の主成分がsyntheticベンチマークで既知の動的モードと整合している。
• 実験的pre-catalyticスプライソソームデータセット（EMPIAR-10180）において、生物学的に妥当なコンformational状態と、既存の報告結果と整合する視点方向分布を回復した。
• モデルは、ポーズとコンformational状態の統合的アモタライズが可能でスケーラブルであることを示し、500万枚の画像を2時間未満でアビ・イニツィオ再構成した。
• 学習されたコンformational空間により、主成分に沿った構造的遷移の可視化が可能となり、分子ダイナミクスに関する解釈可能なインサイトを提供した。
• 全般的な再構成品質は、全探索法と比較して並進精度にわずかな低下が見られたが、依然として高い水準を維持しており、アモアタイズド推論における速度と精度のトレードオフが妥当であることを検証した。