[논문 리뷰] A Graph Neural Network Approach to Automated Model Building in Cryo-EM Maps

Kiarash Jamali, Dari Kimanius외 1명|arXiv (Cornell University)|2022. 09. 30.

Advanced Electron Microscopy Techniques and Applications인용 수 26

한 줄 요약

논문은 ModelAngelo라는 그래프 신경망이 크라이오-EM 보셀 데이터, 단백질 서열, 기하학적 priors를 통합하여 크라이오-EM 맵에서 원자 모델을 자동으로 구축하며, 3.5 Å보다 좋은 맵에 대해 거의 수동에 근접한 정확도를 달성합니다.

ABSTRACT

Electron cryo-microscopy (cryo-EM) produces three-dimensional (3D) maps of the electrostatic potential of biological macromolecules, including proteins. Along with knowledge about the imaged molecules, cryo-EM maps allow de novo atomic modelling, which is typically done through a laborious manual process. Taking inspiration from recent advances in machine learning applications to protein structure prediction, we propose a graph neural network (GNN) approach for automated model building of proteins in cryo-EM maps. The GNN acts on a graph with nodes assigned to individual amino acids and edges representing the protein chain. Combining information from the voxel-based cryo-EM data, the amino acid sequence data and prior knowledge about protein geometries, the GNN refines the geometry of the protein chain and classifies the amino acids for each of its nodes. Application to 28 test cases shows that our approach outperforms the state-of-the-art and approximates manual building for cryo-EM maps with resolutions better than 3.5 Å.

연구 동기 및 목표

• 크라이오-EM 맵에서 단일 신경망 구조를 사용해 de novo 원자 모델 구축을 자동화한다.
• 보셀 기반의 크라이오-EM 밀도와 단백질 서열 정보를 기하학 priors와 통합한다.
• 약 ~3 Å 해상도의 맵에 대한 최첨단 자동 모델 구축 방법을 개선한다.

제안 방법

• 노드가 Cα 원자로, 간선이 단백질 체인을 따르는 그래프를 구성하고, 백본 위치를 정제하고 잔기를 할당하기 위해 그래프 신경망을 학습한다.
• Cryo-EM Attention, Sequence Attention, Spatial Invariant Point Attention (IPA)를 갖춘 3-모듈 8-레이어 SE(3)-등가 그래프 신경망을 사용하여 맵 데이터, 서열 임베딩, 기하를 융합한다.
• realistic한 결합 기하를 유지하기 위해 백본 프레임 업데이트와 Gram-Schmidt 기반 정렬을 도입한다.
• Cα RMSD, 백본 RMSD, 아미노산 분류, 비결합각, 잔류별 신뢰도 같은 다중 작업 손실을 활용하여 엔드투엔드로 학습한다.
• 펜타이드-본드 유추에 의한 체인 연결으로 잔기를 연결하고, 제공된 서열에 대해 HMM 기반 정렬을 수행하며 예측을 재활용해 모델을 정제한다.
• 재활용 라운드로 학습하고 초기 Cα 위치를 노이즈 제거하며, 노이즈, 샤프닝/감쇠, 임의 회전으로 데이터를 증가시킨다.

실험 결과

연구 질문

• RQ1 단일 GNN 아키텍처가 cryo-EM 보셀 데이터, 서열 정보, 토폴로지를 함께 활용해 cryo-EM 맵에서 단백질 모델 빌드를 자동화할 수 있는가?
• RQ2 서열 임베딩 및 IPA 기반 기하를 포함하는 것이 맵만 사용하는 접근법에 비해 잔기 식별 및 백본 정제에 어떤 영향을 미치는가?
• RQ3 제안된 방법의 3.5 Å보다 나은 해상도에서의 성능은 서열 재현 및 아미노산 정확도 측면에서 어떤가?
• RQ4 재활용 및 노이즈 제거와 같은 학습 전략을 통해 모델이 완전한 원자 모델(측쇄 포함)을 생성하고 불확실한 잔류물이나 누락된 잔류물을 처리할 수 있는가?
• RQ5 다중 테스트 케이스에 걸쳐 현재 최첨단 자동 모델 구축 도구(예: DeepTracer)와 비교하면 방법의 성능은 어떤가?

주요 결과

• 이 방법은 3.5 Å보다 좋은 맵에서 수동 모델 구축 정확도에 근접한 정확도를 보인다.
• 맵 데이터만이 아니라 cryo-EM 데이터, 서열 임베딩, 그래프 토폴로지를 결합하는 것이 실용적 개선을 가져온다.
• 제거 시나리오(서열 혹은 IPA 모듈 제거)가 결과를 저하시킴을 보이는 애블레이션 결과; 맵만 의존하는 경우 DeepTracer보다 성능이 떨어진다.
• 사후처리 후 잔기를 연결할 때 일반적으로 잔류 서열 재현율을 감소시키지 않아 잘못된 영역의 제거를 시사한다.
• ModelAngelo는 DeepTracer보다 느리지만 테스트 케이스에서 dépôt된 모델에 더 근접한 정렬을 달성한다.
• 28개의 테스트 맵에 걸쳐 다중 모드 정보를 통합하고 재활용 기반 정제를 통해 더 높은 품질의 모델을 산출한다.