[論文レビュー] Exploring generative atomic models in cryo-EM reconstruction

Ellen D. Zhong, Adam Lerer+2 more|arXiv (Cornell University)|Jul 3, 2021

Advanced Electron Microscopy Techniques and Applications参考文献 40被引用数 10

ひとこと要約

本論文では、原子構造の事前知識を粗粒度の径数基底関数（RBF）と物理的制約を用いて、低温電子線き裂法（cryo-EM）再構成に統合する生成モデル、Cryofoldを提案する。勾配降下法を用い、ほぼ天然構造からの初期化から、合成されたcryo-EMデータから連続的な3次元ボリューム分布を再構成する。77.3%のCα原子が3Å以内に位置し、制約なしの手法と比較して著しくアーティファクトが減少した。

ABSTRACT

Cryo-EM reconstruction algorithms seek to determine a molecule's 3D density map from a series of noisy, unlabeled 2D projection images captured with an electron microscope. Although reconstruction algorithms typically model the 3D volume as a generic function parameterized as a voxel array or neural network, the underlying atomic structure of the protein of interest places well-defined physical constraints on the reconstructed structure. In this work, we exploit prior information provided by an atomic model to reconstruct distributions of 3D structures from a cryo-EM dataset. We propose Cryofold, a generative model for a continuous distribution of 3D volumes based on a coarse-grained model of the protein's atomic structure, with radial basis functions used to model atom locations and their physics-based constraints. Although the reconstruction objective is highly non-convex when formulated in terms of atomic coordinates (similar to the protein folding problem), we show that gradient descent-based methods can reconstruct a continuous distribution of atomic structures when initialized from a structure within the underlying distribution. This approach is a promising direction for integrating biophysical simulation, learned neural models, and experimental data for 3D protein structure determination.

研究の動機と目的

• cryo-EMデータから連続的な3次元タンパク質構造を再構成する際、生物物理学的および原子構造的事前知識を統合する挑戦に応えること。
• 粗粒度の原子モデルによる解空間の制約を通じて、不均一なcryo-EM再構成におけるアーティファクトを低減すること。
• 後処理ステップを回避し、再構成中に直接原子構造をフィッティングすることを可能にすること。
• 初期構造が真の構造に近い場合に、勾配ベース最適化がcryo-EMデータから正確で連続的なコンformationalアンサンブルを回復できるかを検証すること。
• 結合制約や側鎖RBFなどの構造的事前知識が再構成の忠実度に与える影響を評価すること。

提案手法

• Cryofoldはタンパク質を原子位置に中心を持つ径数基底関数（RBF）の集合としてモデル化し、アミノ酸1つ1つを1つのRBFで、側鎖を追加のRBFで表現する。
• 結合長や角度の物理的制約を組み込み、原子座標を正規化し、現実的なタンパク質幾何学的形状を維持する。
• RBFに基づく3次元ボリュームを2次元cryo-EM投影にマッピングする微分可能なレンダリングパイプラインを用い、エンドツーエンドの学習を可能にする。
• 観測された2次元投影の尤度を最大化するように勾配降下法で最適化し、cryo-EM画像尤度と構造的事前知識を統合した共同目的関数を用いる。
• 真の分布に属する構造からの初期化により、大規模なコンformational変化に対しても正確な再構成への収束が可能である。
• アブレーションスタディーにより、側鎖RBF、結合制約、cryo-EM監視の再構成品質への寄与を評価する。

実験結果

リサーチクエスチョン

• RQ1 構造的事前知識を有する微分可能でRBFベースの生成モデルは、合成されたcryo-EMデータから正確な3次元タンパク質ボリュームを再構成できるか？
• RQ2 結合長や角度といった物理的制約は、ノイズや限られたデータの下で再構成忠実度にどのように影響するか？
• RQ3 初期構造が真の構造に近い場合に、勾配降下ベースの最適化は不均一なcryo-EMデータから連続的なコンformationalアンサンブルを回復できるか？
• RQ4 側鎖RBFとcryo-EM監視の相対的寄与度は、原子精度とボリューム類似度にどのように影響するか？
• RQ5 原子的事前知識を組み込むことで、制約なしの手法と比較して再構成におけるアーティファクトはどの程度低減されるか？

主な発見

• 完全なCryofoldモデルは、Cαの平均二乗偏差（RMSD）が3.81 Åであり、77.3%のCα原子が真の構造から3Å以内に位置しており、高い原子精度を示している。
• 結合制約を除去すると、Cα RMSDは10.42 Åに増加し、3Å以内の原子の割合は37.59%に低下し、構造的整合性を維持する上でその重要性が示された。
• 側鎖RBFを省略すると、RMSDは4.10 Åに上昇し、精度は70.21%に低下し、側鎖のモデリングが性能向上に寄与するが、必須ではないことが示された。
• cryo-EM監視なしでは、ボリューム正規化平均二乗誤差（NMSE）が1.82に上昇し、実験的データが正確なボリューム再構成に不可欠であることが示された。
• 同じすべての原子を用いた生成モデルを用いた場合、CryofoldはcryoDRGNのボリュームNMSE（0.32 vs. 0.08）を上回ったが、cryoDRGNはより正確な基礎的表現を用いている。
• 粗粒度のRBF表現であるが、真の分布に属する構造からの初期化により、不均一なデータセットにおける大規模なコンformational変化を効果的に再構成できた。