[논문 리뷰] AITom: Open-source AI platform for cryo-electron tomography data analysis

Xiangrui Zeng, Min Xu|arXiv (Cornell University)|2019. 11. 08.

Advanced Electron Microscopy Techniques and Applications참고 문헌 39인용 수 9

한 줄 요약

AITom은 대규모 냉동전자현미경 톰그래피(cryo-ET) 데이터 분석을 위한 오픈소스 AI 플랫폼으로, 전통적인 영상 처리 기법, 템플릿 기반 및 템플릿 무관 방법, 최신 딥러닝 모델을 통합한다. 하이브리드 스크립팅-GUI 원격 분석을 통해 자동 입자 추적, 부분토모그램 분류 및 재구성 기능을 제공하여 노이즈가 많고 신호 대 잡음비(SNR)가 낮은 톰그램에서 누락된 면(미缺) 문제를 겪는 경우에도 구조 복원 성능을 크게 향상시킨다.

ABSTRACT

Cryo-electron tomography (cryo-ET) is an emerging technology for the 3D visualization of structural organizations and interactions of subcellular components at near-native state and sub-molecular resolution. Tomograms captured by cryo-ET contain heterogeneous structures representing the complex and dynamic subcellular environment. Since the structures are not purified or fluorescently labeled, the spatial organization and interaction between both the known and unknown structures can be studied in their native environment. The rapid advances of cryo-electron tomography (cryo-ET) have generated abundant 3D cellular imaging data. However, the systematic localization, identification, segmentation, and structural recovery of the subcellular components require efficient and accurate large-scale image analysis methods. We introduce AITom, an open-source artificial intelligence platform for cryo-ET researchers. AITom provides many public as well as in-house algorithms for performing cryo-ET data analysis through both the traditional template-based or template-free approach and the deep learning approach. AITom also supports remote interactive analysis. Comprehensive tutorials for each analysis module are provided to guide the user through. We welcome researchers and developers to join this collaborative open-source software development project. Availability: https://github.com/xulabs/aitom

연구 동기 및 목표

• 냉동-ET 톰그램에서 낮은 신호 대 잡음비(SNR)와 누락된 면(미缺) 아티팩트로 인해 매크로분자 복합체의 정확한 구조 복원이 어려운 문제를 해결하기 위해.
• 천연 세포 환경에서 알 수 없는 이질적인 세포소기관 성분의 체계적 국소화, 식별, 분할 및 구조 복원을 가능하게 하기 위해.
• 전통적 방법과 딥러닝 기반 방법을 통합한 통합형, 확장 가능하고 협업 가능한 오픈소스 플랫폼을 제공하여 냉동-ET 분석을 위한 기반을 마련하기 위해.
• 하이브리드 스크립팅-GUI 인터페이스를 통한 원격 상호작용 분석을 지원하여 공유 컴퓨팅 자원에서 확장 가능한 처리를 가능하게 하기 위해.
• 이미지 처리나 머신러닝에 깊은 전문 지식이 없는 연구자들도 접근 가능하고 잘 문서화된 도구를 제공함으로써 구조세포생물학 분야의 발견을 가속화하기 위해.

제안 방법

• AITom은 MRC 형식의 3D 톰그램을 볼륨 필터링(Gaussian 및 이방향 확산)을 사용하여 처리하여 노이즈를 감소시키고 SNR를 향상시킨다.
• 정렬된 부분토모그램 간 상관관계를 통해 SNR를 추정하고, 누락된 면 마스크와 푸리에 공간 상관관계를 사용하여 누락된 면 영향을 정량화한다.
• 조절 가능한 파rameter를 가진 차분의 가우시안(DoG) 방법을 사용하여 입자 추적을 수행하며, 조절 가능한 시그마와 슬라이스 선택 기능을 갖춘 2D 디스플레이 창을 통해 상호작용적으로 시각화한다.
• 비지도 딥러닝 모델을 통해 부분토모그램 분류 및 재구성을 가능하게 하며, 공유된 특징 추출 기능을 갖춘 준지도형 오토에인코더를 포함한다.
• 학습 중에 관찰되지 않은 새로운 구조적 클래스를 처리하기 위해 특수한 손실 함수를 갖춘 오픈셋 학습 모델을 구현하여, 훈련 데이터에 없는 패턴의 군집화를 가능하게 한다.
• Jupyter 노트북 기반 인터페이스를 통해 원격 분석을 지원하며, 사용자가 로컬 브라우저에서 파이썬 스크립트를 실행하고 결과를 실시간으로 시각화할 수 있어 자동화와 상호작용 탐색을 결합한다.

실험 결과

연구 질문

• RQ1 딥러닝과 전통적 영상 처리 기법을 하나의 플랫폼에 통합하여 냉동-ET 데이터 분석의 정확성과 효율성을 어떻게 향상시킬 수 있는가?
• RQ2 템플릿 무관 및 비지도 학습 접근법은 낮은 SNR와 누락된 면 영향을 받는 톰그램에서 알 수 없는 세포소기관 구조를 얼마나 잘 복원할 수 있는가?
• RQ3 하이브리드 스크립팅-GUI 인터페이스는 원격 서버에서 사용자 친화성과 성능을 훼손하지 않고도 확장 가능한 상호작용 기반 냉동-ET 분석을 어떻게 가능하게 하는가?
• RQ4 사전 구조 지식이 제한되거나 없는 상황에서 준지도형 및 오픈셋 학습 모델은 부분토모그램 분류 및 재구성에 얼마나 효과적인가?
• RQ5 체계적인 사전처리(예: SNR 및 누락된 면 추정)는 후속 입자 추적 및 분류 정확도에 어떤 영향을 미치는가?

주요 결과

• AITom은 사전 구조 템플릿에 의존하지 않고도 알려진 및 알려지지 않은 세포소기관 구조— mitochondrial 막, 리보솜 유사 패턴, TRiC 유사 복합체—을 성공적으로 복원하였다.
• 사용자가 가우시안 커널 크기(시그마)와 디스플레이 슬라이스(z)를 조절할 수 있도록 상호작용적인 입자 추적 기능을 제공하여 탐지 정확도를 최적화할 수 있다.
• 준지도형 오토에인코더를 사용한 부분토모그램 분류에서는 공유된 특징 추출 레이어 덕분에 지도 학습 분류 성능과 비지도 특징 학습 성능이 모두 향상되었다.
• 오픈셋 학습 모델은 훈련 데이터에 존재하지 않는 새로운 구조적 클래스를 효과적으로 군집화하여, 복잡한 세포 환경에서 알려지지 않은 패턴에 대한 강건성을 입증하였다.
• Jupyter 노트북 기반 원격 분석을 통해 고성능 컴퓨팅 클러스터에서 분석 파이프라인을 원활하게 실행할 수 있었으며, 로컬 브라우저에서 결과를 실시간으로 시각화할 수 있었다.
• 포괄적인 튜토리얼과 모듈식 설계 덕분에 각 분석 컴포넌트를 별도로 실행할 수 있어 재현성과 사용자 접근성이 향상되었다.