[論文レビュー] DeepPicker: a Deep Learning Approach for Fully Automated Particle Picking in Cryo-EM

Feng Wang, Huichao Gong+6 more|arXiv (Cornell University)|May 6, 2016

Advanced Electron Microscopy Techniques and Applications参考文献 40被引用数 7

ひとこと要約

DeepPicker は、人間の介入を排除するためのクロスモoleculeトレーニング戦略を用いる深層学習フレームワークであり、cryo-EM における完全自動化された粒子ピッキングを実現する。3つの複雑なデータセットにおいて人間並みの精度を達成し、最小限の手動作業で高分解能 3D 再構成に十分な高品質な粒子を特定する。

ABSTRACT

Particle picking is a time-consuming step in single-particle analysis and often requires significant interventions from users, which has become a bottleneck for future automated electron cryo-microscopy (cryo-EM). Here we report a deep learning framework, called DeepPicker, to address this problem and fill the current gaps toward a fully automated cryo-EM pipeline. DeepPicker employs a novel cross-molecule training strategy to capture common features of particles from previously-analyzed micrographs, and thus does not require any human intervention during particle picking. Tests on the recently-published cryo-EM data of three complexes have demonstrated that our deep learning based scheme can successfully accomplish the human-level particle picking process and identify a sufficient number of particles that are comparable to those manually by human experts. These results indicate that DeepPicker can provide a practically useful tool to significantly reduce the time and manual effort spent in single-particle analysis and thus greatly facilitate high-resolution cryo-EM structure determination.

研究の動機と目的

• 単一粒子 cryo-EM の粒子ピッキングにおける人間の介入を排除するため、完全自動化された深層学習フレームワークを開発すること。
• 時間のかかるかつ主観的な手動粒子ピッキングが、cryo-EM パイプライン自動化のボトルネックとなっている問題を解決すること。
• ラベル付きトレーニングデータやユーザー提供のテンプレートを必要とせず、高精度な粒子検出を可能にすること。
• 新規のクロスモoleculeトレーニング戦略を用いて、熟練した手動ピッキングと同等の性能を達成すること。

提案手法

• DeepPicker は、事前に分析済みのマイクログラフ全体にわたる共通の粒子特徴を学習するクロスモoleculeトレーニング戦略を採用し、人間ラベルなしでゼロショット粒子検出を可能にする。
• フレームワークは、マイクログラフを入力として、固定サイズのウィンドウ（180–320ピクセル）と4ピクセルのステップサイズを用いたスライディングウィンドウ方式により、粒子の位置を予測するための深層ニューラルネットワークを用いる。
• 粒子候補は学習済みモデルによりスコア付けされ、ピークウィンドウサイズをスライディングウィンドウサイズの80％に設定して非最大抑制が適用される。
• 予測スコアが0.5以上の連結成分が統合され、平均サイズの4倍以上のサイズの成分はフィルタリングされ、偽陽性を除去する。
• リファインメントループにより、スコア上位10,000個の粒子を再トレーニングに使用し、複数の反復で検出精度を向上させる。
• GPUアクセラレーションを用いたTorch7で実装されており、1時間未満で10,000サンプルのトレーニングが可能で、3710×3838ピクセルのマイクログラフからの粒子ピッキングが約1.5分で実行可能である。

実験結果

リサーチクエスチョン

• RQ1 人間ラベル付きデータやテンプレートを一切必要としない深層学習モデルが、cryo-EM における人間並みの粒子ピッキング精度を達成できるか？
• RQ2 手動アノテーションなしで、異なるマイクログラフ間で粒子特徴を一般化するためのクロスモoleculeトレーニング戦略は、どの程度有効か？
• RQ3 自動粒子ピッキングは、手動手法と比較して、単一粒子 cryo-EM データ処理における時間と労力の削減にどの程度寄与できるか？
• RQ4 DeepPicker がピックした粒子からの2次元クラスタリングおよびクラス平均化結果は、手動ピッキングによる基準セットとどの程度類似しているか？

主な発見

• DeepPicker は、3つの cryo-EM データセットにおいて、人間の専門家と同等のリCALL値と精度を達成し、粒子ピッキングにおける人間並みのパフォーマンスを実証した。
• DeepPicker がピックした粒子の平均中心ずれは、スライディングウィンドウサイズで正規化されたため、高い空間的正確性を示した。
• DeepPicker がピックした粒子からの2次元クラスタリングおよびクラス平均化結果は、手動ピッキングによる基準データセットと強く類似しており、ピックされた粒子の品質が妥当であることが検証された。
• 10,000サンプルのトレーニングは1時間未満で完了し、3710×3838ピクセルの大きなマイクログラフからの粒子ピッキングもGPUを用いて約1.5分で実行可能であった。
• フレームワークは、高分解能3次元再構成に十分な高品質な粒子を十分に特定でき、手動作業を顕著に削減した。
• DeepPicker はオープンソースであり、完全自動化された cryo-EM パイプラインへの統合を想定して設計されており、スケーラブルかつ一貫性のある粒子ピッキングを可能にする。