[논문 리뷰] DeepPicker: a Deep Learning Approach for Fully Automated Particle Picking in Cryo-EM

Feng Wang, Huichao Gong외 6명|arXiv (Cornell University)|2016. 05. 06.

Advanced Electron Microscopy Techniques and Applications참고 문헌 40인용 수 7

한 줄 요약

DeepPicker는 인간 간섭 없이 완전 자동으로 크로이-전자현미경에서 입자 추적을 수행하는 딥러닝 프레임워크로, 이전에 분석된 미세현미경 사진들 사이에서 공통된 입자 특징을 학습하는 교차 분자 학습 전략을 사용한다. 이 프레임워크는 세 가지 복잡한 데이터셋에서 인간 수준의 정확도를 달성하여 최소한의 수동 작업으로 고해상도 3D 재구성에 필요한 고품질 입자를 확보한다.

ABSTRACT

Particle picking is a time-consuming step in single-particle analysis and often requires significant interventions from users, which has become a bottleneck for future automated electron cryo-microscopy (cryo-EM). Here we report a deep learning framework, called DeepPicker, to address this problem and fill the current gaps toward a fully automated cryo-EM pipeline. DeepPicker employs a novel cross-molecule training strategy to capture common features of particles from previously-analyzed micrographs, and thus does not require any human intervention during particle picking. Tests on the recently-published cryo-EM data of three complexes have demonstrated that our deep learning based scheme can successfully accomplish the human-level particle picking process and identify a sufficient number of particles that are comparable to those manually by human experts. These results indicate that DeepPicker can provide a practically useful tool to significantly reduce the time and manual effort spent in single-particle analysis and thus greatly facilitate high-resolution cryo-EM structure determination.

연구 동기 및 목표

• 단일 입자 크로이-전자현미경에서 입자 추적의 수동 간섭을 제거하기 위해 완전 자동화된 딥러닝 프레임워크를 개발하는 것.
• 시간이 많이 소요되고 주관적인 수동 입자 추적으로 인해 발생하는 크로이-전자현미경 파이프라인 자동화의 성능 저하 문제를 해결하는 것.
• 라벨링된 학습 데이터나 사용자 제공 템플릿이 필요 없이 고정밀도 입자 탐지 기능을 제공하는 것.
• 새로운 교차 분자 학습 전략을 사용하여 전문가의 수동 추적 수준과 비교할 만한 성능을 달성하는 것.

제안 방법

• DeepPicker는 이전에 분석된 미세현미경 사진들 사이에서 공통된 입자 특징을 학습하는 교차 분자 학습 전략을 사용하여 인간 레이블이 없는 상태에서도 제로샷 입자 탐지가 가능하도록 한다.
• 이 프레임워크는 미세현미경 사진을 기반으로 한 딥 네트워크를 사용하여 고정 크기 창(180–320 픽셀)과 4 픽셀 간격의 슬라이딩 윈도우 방식으로 입자 위치를 예측한다.
• 입자 후보군은 학습된 모델을 사용해 점수를 매기며, 최대값 제거(Non-maximum suppression)는 슬라이딩 윈도우 크기의 80%로 설정된 피크 윈도우 크기를 사용하여 적용한다.
• 예측 점수 0.5 이상인 연결된 성분은 병합되며, 평균 크기의 4배 이상인 성분은 거짓 긍정을 제거하기 위해 필터링된다.
• 정밀도 향상을 위해 반복적으로 상위 10,000개의 점수 기반 입자를 선택하여 모델을 재학습하는 개선 루프를 수행한다.
• 이 방법은 GPU 가속을 사용하여 Torch7에 구현되었으며, 1시간 이내에 학습이 가능하고, 3710×3838 픽셀 크기의 미세현미경 사진에서 입자 추적을 약 1.5분 내에 수행할 수 있다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 인간 레이블 데이터나 템플릿 없이도 크로이-전자현미경에서 인간 수준의 입자 추적 정확도를 달성할 수 있는가?
• RQ2 수동 레이블링 없이도 다양한 미세현미경 사진 간에 입자 특징을 일반화하는 데 있어 교차 분자 학습 전략의 효과는 어떠한가?
• RQ3 자동 입자 추적 기술이 수동 방법 대비 단일 입자 크로이-전자현미경 데이터 처리에 소요되는 시간과 노력의 감소 정도는 어느 정도인가?
• RQ4 DeepPicker로 추적한 입자에서 유도된 2차원 클러스터링 및 평균화 결과는 수동으로 추적한 기준 데이터셋과 비교해 어떤가?

주요 결과

• DeepPicker는 세 개의 크로이-전자현미경 데이터셋에서 전문가 수준의 정확도를 보이며, 인간 수준의 입자 추적 성능을 입증했다.
• DeepPicker로 추적한 입자 중심점의 평균 이격 거리는 슬라이딩 윈도우 크기로 정규화되었으며, 높은 공간 정확도를 나타낸다.
• DeepPicker로 추적한 입자에서 유도된 2차원 클러스터링 및 평균화 결과는 수동으로 추적한 기준 데이터셋과 강한 유사성을 보이며, 추적된 입자의 품질을 검증한다.
• 10,000개 샘플에 대해 학습하는 데 1시간 미만이 소요되었고, GPU를 사용하여 3710×3838 픽셀 크기의 큰 미세현미경 사진에서 약 1.5분 내로 입자 추적을 수행했다.
• 이 프레임워크는 고해상도 3D 재구성에 필요한 충분한 고품질 입자를 성공적으로 식별하여 수동 작업을 크게 감소시켰다.
• DeepPicker는 오픈소스이며, 완전 자동화된 크로이-전자현미경 파이프라인에 통합 가능하도록 설계되어 있어 확장성과 일관성을 확보한다.