[논문 리뷰] Reconstructing continuous distributions of 3D protein structure from cryo-EM images

Ellen D. Zhong, Tristan Bepler외 2명|arXiv (Cornell University)|2019. 09. 11.

Advanced Electron Microscopy Techniques and Applications참고 문헌 37인용 수 45

한 줄 요약

cryoDRGN은 라벨이 없는 2D 크라이오-EM 이미지에서 정확한 포즈 추론과 구조 이질성에 대한 변분 추론을 결합하여 3D 단백질 구조의 연속 분포를 직접 재구성하는 신경망 기반 방법이다.

ABSTRACT

Cryo-electron microscopy (cryo-EM) is a powerful technique for determining the structure of proteins and other macromolecular complexes at near-atomic resolution. In single particle cryo-EM, the central problem is to reconstruct the three-dimensional structure of a macromolecule from $10^{4-7}$ noisy and randomly oriented two-dimensional projections. However, the imaged protein complexes may exhibit structural variability, which complicates reconstruction and is typically addressed using discrete clustering approaches that fail to capture the full range of protein dynamics. Here, we introduce a novel method for cryo-EM reconstruction that extends naturally to modeling continuous generative factors of structural heterogeneity. This method encodes structures in Fourier space using coordinate-based deep neural networks, and trains these networks from unlabeled 2D cryo-EM images by combining exact inference over image orientation with variational inference for structural heterogeneity. We demonstrate that the proposed method, termed cryoDRGN, can perform ab initio reconstruction of 3D protein complexes from simulated and real 2D cryo-EM image data. To our knowledge, cryoDRGN is the first neural network-based approach for cryo-EM reconstruction and the first end-to-end method for directly reconstructing continuous ensembles of protein structures from cryo-EM images.

연구 동기 및 목표

• cryo-EM에서 이산적 다중 클래스 정제(discrete multiclass refinement)를 넘어서 연속 구조 이질성에 대한 해결책을 모티브로 삼는다.
• 라벨이 없는 2D cryo-EM 이미지를 학습 데이터로 삼아 3D 부피를 연속 잠재 매니폴드로 모델링하는 신경망 프레임워크를 제안한다.
• 푸리에 공간 디코더와 정확한 포즈 추론을 사용하여 고유의 구조적 변이성과 외재적 이미징 포즈를 분리한다.
• 시뮬레이션 및 실제 cryo-EM 데이터에서 ab initio 재구성 능력을 입증한다.
• cryoDRGN이 연속적 구성 지형을 회복할 수 있음을 보여주고 전통적 다중 클래스 접근법과 비교한다.

제안 방법

• 잠재 변수 z로 매개된 좌표 기반 신경망 디코더를 사용하여 3D 부피를 푸리에 공간에서 인코딩한다.
• 2D cryo-EM 이미지에서 잠재 변수 z를 추정하기 위해 변분 오토인코더를 사용한다.
• SO(3) × R2에 대한 지사-경계 글로벌 탐색을 통한 이미지 포즈 (R, t)의 정확한 추론을 수행한다.
• 2D 투영을 3D 부피와 연관시키기 위해 푸리에 슬라이스 정리를 이용하여 이미징 형성을 표현한다.
• 주어진 k와 z에 대해 푸리에 도메인 부피에 대한 가우시안 분포를 출력하는 고정된 신경망 아키텍처를 제공하며, k의 위치 인코딩을 포함한다.
• 각 이미지마다 z를 샘플링하고 포즈를 최적화하여 변분 하한을 이용해 모델을 엔드투엔드로 학습한다.

실험 결과

연구 질문

• RQ1 신경망이 라벨이 없는 2D cryo-EM 이미지로부터 직접 3D 단백질 구조의 연속 매니폴드를 학습할 수 있는가?
• RQ2 이미징 포즈를 고유 구조적 변이성과 명시적으로 분리하는 것이 연속 이질성의 ab initio 재구성을 가능하게 하는가?
• RQ3 균질 데이터셋과 이질적 데이터셋에서 cryoDRGN의 성능은 어떠하며 전통적 다중 클래스 cryo-EM 방법과 어떻게 비교되는가?
• RQ4 tilt-series 정보가 비지도 이질적 설정에서 포즈 불변성과 재구성 품질을 향상시킬 수 있는가?

주요 결과

• CryoDRGN은 라벨이 없는 cryo-EM 이미지로부터 3D 부피의 연속 분포를 ab initio 재구성할 수 있게 한다.
• 균질 데이터에서 cryoDRGN은 FSC와 포즈 오차로 측정된 최첨단 포즈 정확도 및 부피 재구성을 일치시킨다.
• 이질적 실제 데이터에서 cryoDRGN은 알려진 주요 구조 상태를 회복하고 잠재 공간을 이산적인 cryoSPARC 클러스터와 정렬한다.
• 합성 연속 이질성으로 완전 무감독 테스트에서 cryoDRGN은 실제 반응 좌표를 따라 연속 변형을 재구성하고 이산 다중 클래스 방법을 능가한다.
• tilt-series 쌍을 사용하면 연속 이질성 작업의 재구성 정확도가 추가로 향상된다.