[論文レビュー] Heterogeneous multireference alignment for images with application to 2-D classification in single particle reconstruction

Chao Ma, Tamir Bendory+3 more|arXiv (Cornell University)|Oct 12, 2018

Advanced Electron Microscopy Techniques and Applications参考文献 34被引用数 3

ひとこと要約

本論文は、クラスタリングや回転アライメントを必要とせず、ノイズが多く回転させられた粒子画像から直接平均クラスを推定する、2次元分類のための新規フレームワークを提案する。回転不変特徴量（例：バイスペクトル）を活用し、スティアラブルPCA問題を解くことで、低SNR下でも高い精度で回復が可能であり、合成および実際の分子データセットにおいて相対推定誤差が7%未満に抑えられる。

ABSTRACT

Motivated by the task of 2-D classification in single particle reconstruction by cryo-electron microscopy (cryo-EM), we consider the problem of heterogeneous multireference alignment of images. In this problem, the goal is to estimate a (typically small) set of target images from a (typically large) collection of observations. Each observation is a rotated, noisy version of one of the target images. For each individual observation, neither the rotation nor which target image has been rotated are known. As the noise level in cryo-EM data is high, clustering the observations and estimating individual rotations is challenging. We propose a framework to estimate the target images directly from the observations, completely bypassing the need to cluster or register the images. The framework consists of two steps. First, we estimate rotation-invariant features of the images, such as the bispectrum. These features can be estimated to any desired accuracy, at any noise level, provided sufficiently many observations are collected. Then, we estimate the images from the invariant features. Numerical experiments on synthetic cryo-EM datasets demonstrate the effectiveness of the method. Ultimately, we outline future developments required to apply this method to experimental data.

研究の動機と目的

• 粒子画像がノイズが多く、ランダムに回転させられ、ラベルなしである2次元分類の課題に対処すること。
• クラスタリングや離散的回転サンプリングに依存する既存手法（例：EMやMRA）の限界を克服すること。これらの手法は低SNR下で性能が低下する。
• 個々の回転を特定する必要や画像をクラスに割り当てる必要を回避し、観測値から直接平均クラスを推定するフレームワークを開発すること。
• 高ノイズレベルに耐えうる大規模な2次元分類を可能にすること。
• 将来的に連続的な視認方向、並進シフト、CTFや色ノイズなどの実験的アーティファクトに対応できるようにする基盤を築くこと。

提案手法

• 各観測画像から回転不変特徴量（例：バイスペクトル）を推定し、未知の回転やノイズに対して頑健であるようにする。
• 回転不変な低次元部分空間に特徴量を表現するため、スティアラブルPCAフレームワークを用いる。
• 不凸最適化問題を解き、不変特徴量から元の平均クラスを再構築する。
• データに対して1回のパスで処理を行うアルゴリズムを適用し、大規模データセットへのスケーラビリティを確保する。
• バイスペクトルがエネルギーを保存し、回転に対して不変であることに着目し、低SNR下でも正確な特徴量推定が可能であることを活用する。
• 再構築後に回転推定を実行し、再構築画像を真値とアライメントさせ、誤差指標を計算する。

実験結果

リサーチクエスチョン

• RQ1 クラスタリングや回転アライメントを経ずに、ノイズが多く回転させられた観測から2次元分類における平均クラスを直接推定できるか？
• RQ2 低SNR下でノイズの多いデータからバイスペクトルのような回転不変特徴量をどれだけ正確に推定できるか？
• RQ3 標準的なEMやMRA手法と比較して、直接再構築フレームワークの精度と計算コストの面での性能はいかほどか？
• RQ4 実データにおけるわずかな並進シフトや非一様な視認方向分布に対して、この手法はどれほど頑健か？
• RQ5 連続的な視認方向やCTFや色ノイズなどの実験的アーティファクトに対応できるように、この手法をどの程度拡張できるか？

主な発見

• sPCA後、TrpV1データでは相対推定誤差4.29%、ユーラスミトコンドリアリボソームデータでは6.03%を達成し、高確率クラスでは最小で3.83%の誤差を記録した。
• 低SNR（1/100）下でも、EMに比べて精度が優れており、特にEMが高精度な離散化や多数の反復を要する状況で顕著である。
• わずかな並進シフトに対しても頑健であることが示され、実際のcryo-EMデータにおける実用的妥当性が裏付けられた。
• 中間段階のクラスタリングや回転推定を回避することで、直接的に平均クラスを回復でき、誤差伝搬のリスクが低減された。
• 1回のデータパスで処理可能なため、大規模なcryo-EMデータセットに適したスケーラブルな手法である。
• 理論的および数値的結果から、本手法は最大40〜50クラスまで解像可能であり、1次元hMRAにおける既知の限界と整合的である。