[論文レビュー] Image-derived generative modeling of pseudo-macromolecular structures - towards the statistical assessment of Electron CryoTomography template matching

Kai Wen Wang, Xiangrui Zeng+4 more|arXiv (Cornell University)|May 1, 2018

Advanced Electron Microscopy Techniques and Applications被引用数 1

ひとこと要約

本論文では、電子冷却トモグラフィー（ECT）画像から擬似マクロ分子構造を合成する生成的敵対ネットワーク（GAN）ベースの手法を提案し、テンプレートマッチングにおける統計的に厳密な仮説検定を可能にする。多様で現実的なサブトモグラムテンプレートを生成することで、誤検出を著しく低減し、細胞環境におけるマクロ分子複合体の同定に信頼性を向上させる。

ABSTRACT

Cellular Electron CryoTomography (CECT) is a 3D imaging technique that captures information about the structure and spatial organization of macromolecular complexes within single cells, in near-native state and at sub-molecular resolution. Although template matching is often used to locate macromolecules in a CECT image, it is insufficient as it only measures the relative structural similarity. Therefore, it is preferable to assess the statistical credibility of the decision through hypothesis testing, requiring many templates derived from a diverse population of macromolecular structures. Due to the very limited number of known structures, we need a generative model to efficiently and reliably sample pseudo-structures from the complex distribution of macromolecular structures. To address this challenge, we propose a novel image-derived approach for performing hypothesis testing for template matching by constructing generative models using the generative adversarial network. Finally, we conducted hypothesis testing experiments for template matching on both simulated and experimental subtomograms, allowing us to conclude the identity of subtomograms with high statistical credibility and significantly reducing false positives.

研究の動機と目的

• 電子冷却トモグラフィー（ECT）テンプレートマッチングにおける統計的仮説検定のための多様で現実的なテンプレートの不足に対処する。
• 既知のマクロ分子構造が疎らであるという制限を克服し、生物学的に妥当な合成的擬似構造を生成する。
• 生成されたテンプレートを用いた仮説検定により、サブトモグラムにおけるマクロ分子複合体の統計的に信頼できる同定を可能にする。
• 相対的な類似度に依存するのではなく統計的有意性に置き換えることで、CECTにおけるテンプレートマッチングの信頼性を向上させる。
• 画像から得られる生成モデルを用いて、マクロ分子構造の複雑な分布からのスケーラブルで効率的なサンプリング手法を開発する。

提案手法

• 実験的に得られたサブトモグラムを用いて生成的敵対ネットワーク（GAN）を訓練し、マクロ分子構造の背後にある分布を学習する。
• 訓練済みの生成器を用いて、実際のマクロ分子複合体の形態的・構造的多様性を模倣する多数の多様な擬似構造を生成する。
• 生成された擬似構造を、ECTデータにおけるテンプレートマッチングの仮説検定フレームワークに統合する。
• 観測されたサブトモグラム類似度スコアを、生成されたテンプレートからのスコア分布と比較することで統計的仮説検定を実施する。
• GANの画像ベースの性質を活かし、元のECTデータからの構造的リアリズムと空間的文脈を保持する。
• 統計的信頼性と誤検出の低減を評価するために、シミュレート済みおよび実験的サブトモグラムの両方で手法を検証する。

実験結果

リサーチクエスチョン

• RQ1 限られた実験的ECTデータから、擬似マクロ分子構造を効果的にサンプリングできる生成モデルは、統計的に堅牢な仮説検定を可能にするか？
• RQ2 生成されたテンプレートを用いることで、従来の類似度ベースのアプローチと比較して、テンプレートマッチングの統計的信頼性はどのように向上するか？
• RQ3 提案手法は、シミュレート済みおよび実験的CECTデータにおけるサブトモグラム検出における誤検出同定の低減にどの程度寄与するか？
• RQ4 GANで生成されたテンプレートは、細胞環境における生物学的に意味のある推論に必要な構造的多様性とリアリズムを保持できるか？
• RQ5 サブトモグラムにおけるノイズや構造的不均一性の異なるレベルにおいて、仮説検定フレームワークの性能はどのように変化するか？

主な発見

• 提案されたGANベースの生成モデルは、限られた実験的サブトモグラムから多様で現実的な擬似マクロ分子構造を効果的に生成した。
• 生成されたテンプレートを用いた統計的仮説検定により、標準的なテンプレートマッチングと比較してサブトモグラム同定の信頼性が著しく向上した。
• 生成されたテンプレートを用いた仮説検定により、構造的類似度の統計的根拠に基づくしきい値が提供され、誤検出率が低減された。
• 生成されたテンプレートを用いた仮説検定により、シミュレート済みおよび実験的CECTデータの両方でマクロ分子の識別が信頼性を持って可能となった。
• 本手法はノイズや構造的ばらつきに対してロバストであり、多様なサブトモグラム集団において高い統計的信頼性を維持した。
• 画像由来のGANの性質により、生成された構造は、天然の細胞環境の空間的および形態的文脈と整合していた。