[论文解读] Amortized Inference for Heterogeneous Reconstruction in Cryo-EM

Axel Levy, Gordon Wetzstein+3 more|arXiv (Cornell University)|Oct 13, 2022

Advanced Electron Microscopy Techniques and Applications被引用 13

一句话总结

该论文提出 cryoFIRE，一种用于冷冻电镜中从头异质重构的 amortized 推断框架，可联合估计来自数百万张噪声 2D 投影的 3D 结构、构象状态和未知姿态。通过采用可学习的编码器-解码器架构并结合基于物理的解码器，cryoFIRE 在不损失准确性的前提下，相比最先进方法实现了 10 倍的速度提升，实现了对实验数据集中构象动力学的快速、可扩展分析。

ABSTRACT

Cryo-electron microscopy (cryo-EM) is an imaging modality that provides unique insights into the dynamics of proteins and other building blocks of life. The algorithmic challenge of jointly estimating the poses, 3D structure, and conformational heterogeneity of a biomolecule from millions of noisy and randomly oriented 2D projections in a computationally efficient manner, however, remains unsolved. Our method, cryoFIRE, performs ab initio heterogeneous reconstruction with unknown poses in an amortized framework, thereby avoiding the computationally expensive step of pose search while enabling the analysis of conformational heterogeneity. Poses and conformation are jointly estimated by an encoder while a physics-based decoder aggregates the images into an implicit neural representation of the conformational space. We show that our method can provide one order of magnitude speedup on datasets containing millions of images without any loss of accuracy. We validate that the joint estimation of poses and conformations can be amortized over the size of the dataset. For the first time, we prove that an amortized method can extract interpretable dynamic information from experimental datasets.

研究动机与目标

• 为解决异质冷冻电镜重构中姿态搜索的计算瓶颈问题，该问题随数据集规模增大而显著恶化。
• 实现在无需先前姿态或构象估计的前提下从头重构，避免对上游同质重构的依赖。
• 开发一种 amortized 推断框架，高效联合估计数百万张图像的姿态与构象状态。
• 验证在大规模数据集上，姿态与构象的联合估计可被有效 amortized，同时保持构象动力学的可解释性。
• 首次在真实实验冷冻电镜数据上实现从头异质重构的 amortized 推断。

提出的方法

• 采用基于深度自编码器的架构，其中编码器将 2D 冷冻电镜图像映射为姿态（旋转与平移）和构象状态的估计值。
• 解码器使用基于物理的图像形成模型，从 3D 体积重建无噪声投影，该 3D 体积通过由构象状态参数化的神经场隐式表示。
• 设计了一种定制的损失函数，结合重建损失与可微渲染过程，以实现编码器-解码器系统的端到端训练。
• 通过学习一个单一函数将图像映射到潜在变量来实现推断 amortization，避免在推理过程中对每张图像进行优化。
• 训练包括一个“仅姿态阶段”，以解耦姿态与构象，提升解缠程度与模型稳定性。
• 该框架支持离散与连续的构象异质性，通过主成分分析（PCA）或聚类等下游分析方法，实现对动态状态的解释。

实验结果

研究问题

• RQ1 能否将 amortized 推断有效应用于冷冻电镜中的从头异质重构，以降低计算成本？
• RQ2 能否通过单一神经网络，从噪声 2D 投影中联合且准确地估计未知姿态与构象状态？
• RQ3 与迭代姿态搜索方法相比，amortized 推断是否在保持准确性的前提下实现 10 倍速度提升？
• RQ4 cryoFIRE 学习到的构象空间能否揭示可解释的动态特征，如生物大分子的主运动模式？
• RQ5 在无需上游姿态估计的前提下，是否可行对真实实验冷冻电镜数据集实现端到端、联合的姿态与构象推断？

主要发现

• 在具有离散与连续异质性的合成数据集上，cryoFIRE 相比最先进方法实现了 10 倍的重建推理速度提升，且未损失准确性。
• 该方法成功重构了生物大分子的构象流形，潜在空间的主成分与合成基准中的已知动态模式对齐。
• 在实验预催化剪接体数据集（EMPIAR-10180）上，cryoFIRE 恢复了具有生物学合理性的构象状态，以及与已发表结果一致的视角方向分布。
• 该模型证明了姿态与构象的联合 amortized 推断在可行性与可扩展性方面均成立，可在 2 小时内完成对 500 万张图像的从头重构。
• 学习到的构象空间可实现沿主成分的结构转变可视化，为分子动力学提供了可解释的洞察。
• 尽管在平移估计精度上相比穷举搜索略有下降，但整体重建质量保持较高水平，验证了 amortized 推断在速度与精度之间权衡的合理性。