[论文解读] AITom: Open-source AI platform for cryo-electron tomography data analysis

Xiangrui Zeng, Min Xu|arXiv (Cornell University)|Nov 8, 2019

Advanced Electron Microscopy Techniques and Applications参考文献 39被引用 9

一句话总结

AITom 是一个用于大规模冷冻电子断层成像（cryo-ET）数据分析的开源人工智能平台，整合了传统图像处理、基于模板和无模板的方法以及最先进的深度学习模型。它通过混合脚本-GUI 的远程分析方式，实现了自动化的颗粒挑选、亚断层图分类与重构，显著提升了在噪声大、信噪比低且存在缺失楔形伪影的断层图中的结构恢复效果。

ABSTRACT

Cryo-electron tomography (cryo-ET) is an emerging technology for the 3D visualization of structural organizations and interactions of subcellular components at near-native state and sub-molecular resolution. Tomograms captured by cryo-ET contain heterogeneous structures representing the complex and dynamic subcellular environment. Since the structures are not purified or fluorescently labeled, the spatial organization and interaction between both the known and unknown structures can be studied in their native environment. The rapid advances of cryo-electron tomography (cryo-ET) have generated abundant 3D cellular imaging data. However, the systematic localization, identification, segmentation, and structural recovery of the subcellular components require efficient and accurate large-scale image analysis methods. We introduce AITom, an open-source artificial intelligence platform for cryo-ET researchers. AITom provides many public as well as in-house algorithms for performing cryo-ET data analysis through both the traditional template-based or template-free approach and the deep learning approach. AITom also supports remote interactive analysis. Comprehensive tutorials for each analysis module are provided to guide the user through. We welcome researchers and developers to join this collaborative open-source software development project. Availability: https://github.com/xulabs/aitom

研究动机与目标

• 为解决cryo-ET断层图中因信噪比（SNR）低和缺失楔形伪影导致的分子复合物结构恢复不准确的问题。
• 实现在天然细胞环境中对未知且异质的亚细胞组分进行系统性定位、识别、分割和结构恢复。
• 提供一个统一、可扩展且协作的开源平台，整合传统方法与基于深度学习的cryo-ET分析方法。
• 通过混合脚本-GUI接口支持远程交互式分析，实现在共享计算资源上的可扩展处理。
• 通过提供易于使用且文档齐全的工具，使不具备图像处理或机器学习深度专业知识的研究人员也能加速结构细胞生物学的发现。

提出的方法

• AITom 使用 MRC 格式处理 3D 断层图，通过体积滤波（高斯和各向异性扩散）降低噪声并提高信噪比（SNR）。
• 通过子断层图对齐后的互相关计算估计 SNR，并利用缺失楔形掩膜在傅里叶空间中的互相关量化缺失楔形效应。
• 颗粒挑选采用可调参数的高斯差分（DoG）方法，通过带有可调 sigma 和切片选择功能的 2D 显示窗口实现交互式可视化。
• 通过无监督深度学习模型实现亚断层图分类与重构，包括共享特征提取的半监督自编码器，用于联合分类与表征学习。
• 实现了一种开放集学习模型，采用专门设计的损失函数，以处理训练过程中未见的新结构类别，从而实现对未知模式的聚类。
• 通过基于 Jupyter Notebook 的接口支持远程分析，用户可在本地浏览器中运行 Python 脚本并查看可视化输出，结合了自动化与交互式探索。

实验结果

研究问题

• RQ1 如何将深度学习与传统图像处理方法整合到单一平台中，以提高 cryo-ET 数据分析的准确性和效率？
• RQ2 无模板和无监督学习方法在低信噪比、受缺失楔形影响的断层图中，对未知亚细胞结构的恢复程度如何？
• RQ3 混合脚本-GUI 接口是否能够在不牺牲可用性或性能的前提下，实现在远程服务器上的可扩展、交互式 cryo-ET 分析？
• RQ4 在缺乏先验结构知识或完全缺失的情况下，半监督和开放集学习模型在亚断层图分类与重构中的有效性如何？
• RQ5 系统性预处理（如 SNR 和缺失楔形估计）对下游颗粒挑选与分类准确率的影响是什么？

主要发现

• AITom 在无需依赖预设结构模板的情况下，成功恢复了已知和未知的亚细胞结构，包括线粒体膜、类似核糖体的模式以及 TRiC 类复合物。
• 平台支持带有视觉反馈的交互式颗粒挑选，用户可调节高斯核大小（sigma）和切片显示（z）等参数以优化检测准确率。
• 采用共享特征提取层的半监督自编码器在监督分类和无监督特征学习方面均表现出更优性能。
• 开放集学习模型能有效聚类训练数据中未出现的新结构类别，展现出在复杂细胞环境中对未知模式的强鲁棒性。
• 通过 Jupyter Notebook 进行的远程分析可无缝执行分析流水线，结果在本地浏览器中实时可视化，适用于高性能计算集群。
• 全面的教程和模块化设计支持各分析组件的独立执行，显著提升了可重复性与用户可及性。