[논문 리뷰] A^2-Net: Molecular Structure Estimation from Cryo-EM Density Volumes

Kui Xu, Zhe Wang외 3명|arXiv (Cornell University)|2019. 01. 03.

Advanced Electron Microscopy Techniques and Applications참고 문헌 34인용 수 7

한 줄 요약

이 논문은 냉동전자현미경( cryo-EM ) 밀도 부피에서 분자의 구조 추정을 3차원 물체 검출 및 자세 추정 문제로 공식화하는 딥러닝 프레임워크인 A²-Net을 제안한다. 3차원 컨volution 신경망(3D CNN)에 APRoI 레이어와 시퀀스 유도형 이웃 손실을 사용하여 아미노산 검출의 정확도를 높이고, 메인 체인 스레딩을 위해 시퀀스 유도형 몬테카를로 트리 검색(MCTS)을 통합하여 분석 시간이 분 단위 내로 91%의 커버리지 달성 — 기존의 자동화된 방법들인 Rosetta-denovo에 비해 수백 배 빠르고 정확도가 높다.

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.

연구 동기 및 목표

• 분자의 모델링 구축 과정이 수작업이며 시간이 오래 걸리고 실수가 발생하기 쉬운 냉동전자현미경( cryo-EM ) 구조 결정의 한계를 해결하기 위해.
• 원자 좌표를 밀도도에 맞추는 과정에서 인간의 간섭 없이 완전히 자동화된 학습 기반의 방법을 개발하기 위해.
• 기존의 템플릿 기반 또는 샘플링 기반 접근 방식에 비해 3차원 냉동전자현미경 밀도 부피에서 탈모델링 단백질의 구조 예측 정확도와 속도를 향상시키기 위해.
• 분자 구조 추정 방법의 벤치마킹을 위해 대규모이고 풍부하게 주석이 달린 데이터셋(A² 데이터셋)을 제작하고 공개하기 위해.
• 시퀀스 사전 지식을 3차원 검출 및 검색 알고리즘과 통합하여 효율적이고 정확한 메인 체인 스레딩을 가능하게 하기 위해.

제안 방법

• 냉동전자현미경 밀도 부피에서 아미노산을 검출하기 위해 깊은 합성곱 신경망(CNN)을 사용하는 새로운 3차원 검출 프레임워크를 제안하며, 특성 풀링 과정에서 공간 무결성을 유지하기 위해 고유한 APRoI(비율 유지 RoI) 레이어를 도입한다.
• 학습 과정에서 진화적이고 순차적인 사전 지식을 검출 네트워크에 통합하기 위해 시퀀스 유도형 이웃 손실을 도입하여 국소화 정확도를 향상시킨다.
• 시퀀스 순서와 기하학적 일관성을 기반으로 하여 검출된 아미노산 후보들을 완전한 단백질 사슬로 스레딩하기 위해 시퀀스 유도형 몬테카를로 트리 검색(MCTS) 알고리즘을 활용한다.
• 실제 주형 결합을 갖지 않는 후보 쌍을 제거하기 위해 주형 결합 네트워크(PBNet)를 설계하여 검색의 효율성과 정확도를 향상시킨다.
• 1,713개의 단백질 사슬에 걸쳐 25만 개의 아미노산 객체를 포함하는 대규모로 새로 제작된 데이터셋(A² 데이터셋)을 활용하여 프레임워크를 학습하고 평가한다.
• 비교를 위해 MV3D와 Frustum-PointNet과 같은 3차원 검출 모델을 적응하여 사용하였으며, A² 데이터셋에서 뛰어난 성능을 보이고 다른 3차원 검출 과제로의 이식 가능성도 입증하였다.

실험 결과

연구 질문

• RQ1 딥러닝이 냉동전자현미경 밀도 부피에서 분자의 구조 추정 문제에 효과적으로 적용될 수 있는가? 이 문제를 3차원 물체 검출 및 자세 추정 문제로 간주할 수 있는가?
• RQ2 APRoI 레이어를 통해 RoI 특성 추출 시 비율을 유지함으로써 3차원 밀도도에서 아미노산 검출 정확도에 어떤 영향을 미치는가?
• RQ3 이웃 손실을 통해 시퀀스 사전 지식을 통합함으로써 검출 정확도와 이후 메인 체인 스레딩 정확도에 얼마나 큰 기여를 하는가?
• RQ4 기존의 탐색 전략(예: 깊이 우선 탐색)에 비해 시퀀스 유도형 MCTS 알고리즘이 메인 체인 스레딩의 커버리지와 효율성 측면에서 뛰어나게 작용하는가?
• RQ5 A² 데이터셋은 분자 구조 추정을 넘어서 다른 3차원 물체 검출 과제에 일반화되고 이식 가능한 특징을 제공하는가?

주요 결과

• A²-Net 프레임워크는 A² 데이터셋에서 91%의 시퀀스 커버리지를 달성하여 기존의 자동화된 방법들인 Rosetta-denovo보다 뚜렷이 뛰어난 성능을 보였다.
• 단백질 당 평균 6.8~11.3분 내로 구조 추정을 완료하였으며, Rosetta-denovo는 한 번의 라운드에 260시간이 소요되는 등 수백 시간이 걸리는 데 비해 훨씬 빠르게 수행되었다.
• APRoI 레이어를 도입함으로써 mAP가 0.610에서 0.711로 향상되어 3차원 밀도도에서 아미노산 구조의 비율 유지를 위한 중요성을 입증하였다.
• 시퀀스 유도형 이웃 손실을 적용함으로써 mAP는 0.711에서 0.891로 상승하였고, mAP 상승 폭은 미미했지만 시퀀스 커버리지 향상은 뚜렷하게 향상되었다.
• PBNet은 실제 주형 결합을 89.8%의 정확도로 식별하여 잘못된 탐색 경로를 효과적으로 제거하고 MCTS의 효율성과 정확도를 향상시켰다.
• A² 데이터셋에서 사전 학습을 수행한 결과, KITTI 벤치마크에서 3차원 자동차 검출 성능이 향상되어 A² 데이터셋이 분자 구조 추정을 넘어서 일반적인 3차원 검출 과제에 대해 이식 가능한 특징을 제공한다는 것을 입증하였다.