[논문 리뷰] Amortized Inference for Heterogeneous Reconstruction in Cryo-EM

Axel Levy, Gordon Wetzstein외 3명|arXiv (Cornell University)|2022. 10. 13.

Advanced Electron Microscopy Techniques and Applications인용 수 13

한 줄 요약

이 논문은 냉동전자현미경(cryo-EM)에서의 아비노티 이질적 재구성에 대한 암시적 추론 프레임워크인 cryoFIRE를 소개한다. 이는 수백만 개의 노이즈가 많은 2D 투영도로부터 3D 구조, 구형 상태, 그리고 알 수 없는 자세를 동시에 추정한다. 학습 가능한 인코더-디코더 아키텍처와 물리 기반 디코더를 사용함으로써, 정확도를 유지하면서도 최신 기술 대비 10배 빠른 속도를 달성하여 실험 데이터에서 구형 동역학의 빠르고 확장 가능한 분석을 가능하게 한다.

ABSTRACT

Cryo-electron microscopy (cryo-EM) is an imaging modality that provides unique insights into the dynamics of proteins and other building blocks of life. The algorithmic challenge of jointly estimating the poses, 3D structure, and conformational heterogeneity of a biomolecule from millions of noisy and randomly oriented 2D projections in a computationally efficient manner, however, remains unsolved. Our method, cryoFIRE, performs ab initio heterogeneous reconstruction with unknown poses in an amortized framework, thereby avoiding the computationally expensive step of pose search while enabling the analysis of conformational heterogeneity. Poses and conformation are jointly estimated by an encoder while a physics-based decoder aggregates the images into an implicit neural representation of the conformational space. We show that our method can provide one order of magnitude speedup on datasets containing millions of images without any loss of accuracy. We validate that the joint estimation of poses and conformations can be amortized over the size of the dataset. For the first time, we prove that an amortized method can extract interpretable dynamic information from experimental datasets.

연구 동기 및 목표

• 데이터셋 크기에 따라 악화되는 계산적 병목 현상인 이질적 냉동전자현미경 재구성에서의 자세 탐색 문제를 해결하기 위해.
• 사전 자세나 구형 상태 추정이 없는 아비노티 재구성을 가능하게 하여, 사전에 수행된 균일한 재구성에 의존하지 않기 위해.
• 수백만 장의 이미지에서 효율적으로 자세와 구형 상태를 동시에 추정하는 암시적 추론 프레임워크를 개발하기 위해.
• 대규모 데이터셋에서 자세와 구형 상태의 공동 추정을 효과적으로 암시적으로 처리할 수 있으며, 구형 동역학의 해석 가능성을 유지할 수 있음을 검증하기 위해.
• 실제 실험 데이터에서 아비노티 이질적 재구성에 대해 암시적 추론을 처음으로 적용한 사례를 보여주기 위해.

제안 방법

• 딥 오토인코더 기반 아키텍처를 사용하며, 인코더는 2D 냉동전자현미경 이미지를 자세(회전 및 이동)와 구형 상태 추정으로 매핑한다.
• 디코더는 물리 기반 이미지 형성 모델을 사용하여 3D 볼륨에서 노이즈 없는 투영도를 재구성하며, 이는 구형 상태에 의해 매개변수화된 신경장(neural field)을 통해 암묵적으로 표현된다.
• 특화된 손실 함수는 재구성 손실과 기하학적 렌더링 과정의 미분 가능성을 결합하여 인코더-디코더 시스템의 엔드 투 엔드 학습을 가능하게 한다.
• 추론 과정에서 각 이미지의 최적화를 피하기 위해, 이미지에서 잠재 변수로 매핑하는 단일 함수를 학습함으로써 추론을 암시적으로 처리한다.
• 자세와 구형 상태 간의 상관관계를 줄이기 위해 '자세 전용 단계'를 포함하여, 분리도 및 모델 안정성을 향상시킨다.
• 이 프레임워크는 이산적 및 연속적 구형 이질성 모두를 지원하며, 주성분 분석 또는 클러스터링을 통해 후행 분석을 통해 역학적 상태를 해석할 수 있다.

실험 결과

연구 질문

• RQ1 암시적 추론이 아비노티 이질적 재구성에 효과적으로 적용되어 계산 비용을 줄일 수 있는가?
• RQ2 단일 신경망이 노이즈가 많은 2D 투영도로부터 알 수 없는 자세와 구형 상태를 동시에 정확하게 추정할 수 있는가?
• RQ3 암시적 추론이 반복적 자세 탐색 기법 대비 10배 빠른 속도를 달성하면서도 정확도를 유지하는가?
• RQ4 cryoFIRE에서 학습된 구형 상태 공간이 생물분자의 주요 운동 모드와 같은 해석 가능한 역학적 특징을 드러내는가?
• RQ5 실제 실험 데이터에서 사전 자세 추정 없이도 엔드 투 엔드로 자세와 구형 상태를 공동으로 추론하는 것이 가능한가?

주요 결과

• cryoFIRE는 합성 데이터셋에서 이질성의 이산적 및 연속적 특성을 모두 갖춘 경우, 최신 기술 대비 재구성 추론 시간을 10배 빠르게 하였으며 정확도에 손실가지 않았다.
• 이 방법은 생물분자의 구형 다양성 다양체(manifold)를 성공적으로 재구성하였으며, 잠재공간의 주성분이 합성 기준에서 알려진 운동 모드와 일치하였다.
• 실험 데이터셋인 pre-catalytic 스플라이소좀(EMPIAR-10180)에서, cryoFIRE는 생물학적으로 타당한 구형 상태와 기존 연구 결과와 일치하는 시야 방향 분포를 회복하였다.
• 모델는 자세와 구형 상태의 공동 암시적 추론이 가능하고 확장 가능하다는 것을 입증하였으며, 500만 장의 이미지를 2시간 이내에 아비노티 재구성할 수 있었다.
• 학습된 구형 상태 공간은 주성분을 따라 구조 전이를 시각화할 수 있게 하여 분자의 동역학에 대한 이해 가능한 통찰을 제공하였다.
• 완전한 탐색 대비 약간의 이동 정확도 저하가 있었지만, 전체 재구성 품질은 높았으며, 암시적 추론에서 속도와 정확도의 상호 보완적 타협이 타당함을 검증하였다.