[논문 리뷰] Positive-unlabeled convolutional neural networks for particle picking in cryo-electron micrographs

Tristan Bepler, Andrew Morin외 4명|PubMed|2018. 03. 22.

Advanced Electron Microscopy Techniques and Applications참고 문헌 2인용 수 179

한 줄 요약

이 논문은 긍정-무라벨 PU 학습을 사용하여 적은 수의 라벨링된 입자와 많은 라벨링되지 않은 입자를 이용해 CNN을 학습하는 cryo-EM 입자 선택 파이프라인 Topaz를 소개하고, 라벨링 최소화로 재구성 품질을 향상시킨다.

ABSTRACT

Cryo-electron microscopy (cryoEM) is an increasingly popular method for protein structure determination. However, identifying a sufficient number of particles for analysis (often >100,000) can take months of manual effort. Current computational approaches are limited by high false positive rates and require significant ad-hoc post-processing, especially for unusually shaped particles. To address this shortcoming, we develop Topaz, an efficient and accurate particle picking pipeline using neural networks trained with few labeled particles by newly leveraging the remaining unlabeled particles through the framework of positive-unlabeled (PU) learning. Remarkably, despite using minimal labeled particles, Topaz allows us to improve reconstruction resolution by up to 0.15 Å over published particles on three public cryoEM datasets without any post-processing. Furthermore, we show that our novel generalized-expectation criteria approach to PU learning outperforms existing general PU learning approaches when applied to particle detection, especially for challenging datasets of non-globular proteins. We expect Topaz to be an essential component of cryoEM analysis.

연구 동기 및 목표

• 수작업 주석 노력을 줄이기 위해 cryo-EM에서 효율적인 입자 선택을 고무한다.
• Positive-Unlabeled 학습을 통해 라벨이 없는 입자를 활용하는 학습 프레임워크를 제안한다.
• 제한된 라벨 데이터로 학습된 CNN 기반의 입자 선택기(Topaz)를 개발한다.
• 후처리 없이 공개 cryo-EM 데이터셋에서 재구성 품질 향상을 시연한다.
• 도전적인 데이터셋에 대한 일반화 기대값 PU 기준의 우수성을 보인다.

제안 방법

• cryo-EM용 CNN 기반 입자 선택기 Topaz를 개발한다.
• 라벨이 없는 입자를 활용하기 위해 Positive-Unlabeled (PU) 학습으로 네트워크를 훈련한다.
• PU 학습을 위한 일반화 기대 기준을 도입한다.
• 세 개의 공개 cryo-EM 데이터셋에 방법을 적용하고 재구성 결과를 비교한다.
• 후처리 없이 재구성 해상도 개선을 평가한다.

실험 결과

연구 질문

• RQ1 PU 학습이 cryo-EM에서 아주 적은 라벨 예제로도 정확한 입자 선택을 가능하게 할 수 있는가?
• RQ2 라벨링되지 않은 입자를 활용하는 것이 선택 정확도와 다운스트림 재구성 품질을 향상시키는가?
• RQ3 비구형 입자에서 일반화 기대 PU 기준이 기존 PU 방법보다 어떤 성능을 보이는가?
• RQ4 공개 데이터셋에서 Topaz가 달성하는 실질적 재구성 정확도 향상은 무엇인가?

주요 결과

• Topaz는 세 개의 공개 데이터셋에서 공개 입자 대비 재구성 해상도를 최대 0.15 Å 향상시킨다.
• PU 학습은 최소한의 라벨 데이터로도 고품질 입자 검출을 가능하게 한다.
• 일반화 기대 PU 기준은 도전적인 비구형 입자에 대해 기존 PU 방법을 능가한다.
• Topaz는 입자 선택에서 임의의 후처리의 필요성을 줄이거나 없앤다.
• 이 방법은 cryo-EM 분석에 필수 구성요소로 제시된다.