[논문 리뷰] Exploring generative atomic models in cryo-EM reconstruction

Ellen D. Zhong, Adam Lerer외 2명|arXiv (Cornell University)|2021. 07. 03.

Advanced Electron Microscopy Techniques and Applications참고 문헌 40인용 수 10

한 줄 요약

이 논문은 원자 구조 사전 지식을 냉동전자현미경(cryo-EM) 재구성에 통합하는 생성 모델인 Cryofold을 제안한다. 단순화된 원자 구조 모델을 기반으로 하며, 물리 기반 제약 조건을 갖춘 조밀한 반경 기저 함수(RBF)로 단백질을 모델링한다. 근사 천연 구조에서 시작하는 기울기 하강법을 사용하여, 합성된 cryo-EM 데이터로부터 연속적인 3D 볼륨 분포를 재구성하며, 3Å 이내로 Cα 정확도가 77.3%에 도달하고, 제약 조건이 없는 방법보다 훨씬 적은 잡음 요소를 보인다.

ABSTRACT

Cryo-EM reconstruction algorithms seek to determine a molecule's 3D density map from a series of noisy, unlabeled 2D projection images captured with an electron microscope. Although reconstruction algorithms typically model the 3D volume as a generic function parameterized as a voxel array or neural network, the underlying atomic structure of the protein of interest places well-defined physical constraints on the reconstructed structure. In this work, we exploit prior information provided by an atomic model to reconstruct distributions of 3D structures from a cryo-EM dataset. We propose Cryofold, a generative model for a continuous distribution of 3D volumes based on a coarse-grained model of the protein's atomic structure, with radial basis functions used to model atom locations and their physics-based constraints. Although the reconstruction objective is highly non-convex when formulated in terms of atomic coordinates (similar to the protein folding problem), we show that gradient descent-based methods can reconstruct a continuous distribution of atomic structures when initialized from a structure within the underlying distribution. This approach is a promising direction for integrating biophysical simulation, learned neural models, and experimental data for 3D protein structure determination.

연구 동기 및 목표

• cryo-EM 데이터로부터 연속적인 3D 단백질 구조를 재구성하면서 생물물리학적 및 원자 구조 사전 지식을 통합하는 도전 과제를 해결하기 위해.
• 粗다각형 원자 모델을 사용하여 해상도 공간을 제약하여 이질적인 cryo-EM 재구성에서 잡음 요소를 감소시키기 위해.
• 후처리 단계를 생략하고 직접 원자 구조를 피팅함으로써, 수작업이 많고 오류가 발생하기 쉬운 단계를 회피하기 위해.
• 초기 구조가 진짜 구조에 가까운 경우에 기울기 기반 최적화가 cryo-EM 데이터로부터 정확하고 연속적인 구조적 집합을 회복할 수 있는지 탐색하기 위해.
• 결합 제약 조건 및 측면 사슬 RBF와 같은 구조 사전 지식이 재구성 정밀도에 미치는 영향을 평가하기 위해.

제안 방법

• Cryofold는 원자 위치에 중심을 둔 반경 기저 함수(RBF)의 집합으로 단백질을 모델링하며, 각 아미노산은 하나의 RBF로 표현되고 측면 사슬은 추가적인 RBF로 모델링된다.
• 물리 기반 제약 조건, 즉 결합 길이 및 결합 각도 항목을 포함하여 원자 좌표를 정규화하고 현실적인 단백질 기하학을 유지한다.
• RBF 기반 3D 볼륨을 2D cryo-EM 투영도로 매핑하기 위해 기울기 가능 렌더링 파이프라인을 사용하며, 푸리에 절단 정리(Fourier slice theorem)를 활용하여 엔드 투 엔드 학습이 가능하도록 한다.
• 관측된 2D 투영도의 가능도를 최대화하기 위해 기울기 하강법으로 모델을 최적화하며, cryo-EM 이미지 가능도와 구조 사전 지식을 조합한 공동 목적 함수를 사용한다.
• 진짜 분포 내의 구조에서 초기화하면, 큰 구조적 변화가 있는 경우에도 정확한 재구성을 수렴할 수 있다.
• 제거 실험을 통해 측면 사슬 RBF, 결합 제약 조건, cryo-EM 감시의 재구성 품질에 기여하는 정도를 평가한다.

실험 결과

연구 질문

• RQ1 구조 사전 지식이 포함된 기울기 가능 RBF 기반 생성 모델이 합성된 cryo-EM 데이터로부터 정확한 3D 단백질 볼륨을 재구성할 수 있는가?
• RQ2 노이즈와 제한된 데이터가 존재할 경우, 결합 길이 및 각도와 같은 물리 기반 제약 조건이 재구성 정밀도에 어떤 영향을 미치는가?
• RQ3 초기 구조가 진짜 구조에 가까운 경우에 기울기 하강법 기반 최적화가 이질적인 cryo-EM 데이터로부터 연속적인 구조적 집합을 회복할 수 있는가?
• RQ4 측면 사슬 RBF와 cryo-EM 감시의 상대적 기여도는 원자 정확도와 볼륨 유사도에 어떤가?
• RQ5 원자 사전 지식을 통합할 경우, 제약 조건이 없는 방법에 비해 재구성에서 잡음 요소가 얼마나 감소하는가?

주요 결과

• 전체 Cryofold 모델은 Cα 근미분 제곱근 오차(RMSD)가 3.81 Å이며, 진짜 구조와 3Å 이내에 있는 Cα 원자 비율이 77.3%로 높은 원자 정확도를 보였다.
• 결합 제약 조건을 제거하면 Cα RMSD가 10.42 Å로 증가하고, 3Å 이내 원자 비율이 37.59%로 감소하여, 이는 구조적 안정성을 유지하는 데 핵심적인 역할을 함을 보여준다.
• 측면 사슬 RBF를 생략하면 RMSD가 4.10 Å로 증가하고 정확도가 70.21%로 감소하여, 측면 사슬 모델링이 성능 향상에 기여하지만 필수는 아님을 시사한다.
• cryo-EM 감시 없이 모델을 실행하면 볼륨 정규화 평균 제곱 오차(NMSE)가 1.82로 증가하여, 실험 데이터가 정확한 볼륨 재구성에 필수적임을 보여준다.
• 동일한 원자 구조 기반 생성 모델을 사용할 경우, CryoDRGN에 비해 볼륨 NMSE가 0.32 vs. 0.08로 높게 나타났지만, CryoDRGN은 더 정확한 기반 표현을 사용한다.
• 조밀한 RBF 표현임에도 불구하고, 진짜 분포 내의 구조에서 초기화된 경우, 이질적인 데이터셋에서 큰 구조적 변화를 성공적으로 재구성했다.