[논문 리뷰] Image-derived generative modeling of pseudo-macromolecular structures - towards the statistical assessment of Electron CryoTomography template matching

Kai Wen Wang, Xiangrui Zeng외 4명|arXiv (Cornell University)|2018. 05. 01.

Advanced Electron Microscopy Techniques and Applications인용 수 1

한 줄 요약

이 논문은 전자 냉동 톰그래피(ECT) 영상에서 허구의 매크로분자 구조를 합성하는 생성적 적대적 네트워크(GAN) 기반 방법을 제안하여, 템플릿 매칭을 위한 통계적으로 엄밀한 가설 검증을 가능하게 한다. 다양한 실제와 유사한 서브톰그래프 템플릿을 생성함으로써, 세포 환경에서 매크로분자 복합체를 식별할 때의 잘못된 양성 결과를 크게 줄이고 신뢰도를 향상시킨다.

ABSTRACT

Cellular Electron CryoTomography (CECT) is a 3D imaging technique that captures information about the structure and spatial organization of macromolecular complexes within single cells, in near-native state and at sub-molecular resolution. Although template matching is often used to locate macromolecules in a CECT image, it is insufficient as it only measures the relative structural similarity. Therefore, it is preferable to assess the statistical credibility of the decision through hypothesis testing, requiring many templates derived from a diverse population of macromolecular structures. Due to the very limited number of known structures, we need a generative model to efficiently and reliably sample pseudo-structures from the complex distribution of macromolecular structures. To address this challenge, we propose a novel image-derived approach for performing hypothesis testing for template matching by constructing generative models using the generative adversarial network. Finally, we conducted hypothesis testing experiments for template matching on both simulated and experimental subtomograms, allowing us to conclude the identity of subtomograms with high statistical credibility and significantly reducing false positives.

연구 동기 및 목표

• 전자 냉동 톰그래피(ECT) 템플릿 매칭에서 통계적 가설 검증을 위한 다양한 실제적인 템플릿의 부족을 해결한다.
• 희소한 알려진 매크로분자 구조의 한계를 극복하기 위해 합성된 생물학적으로 타당한 허구의 구조를 생성한다.
• 생성된 템플릿을 사용한 가설 검증을 통해 서브톰그래프에서 매크로분자 복합체의 통계적으로 신뢰할 수 있는 식별을 가능하게 한다.
• 상대적 유사도에 의존하는 것 대신 통계적 유의성을 도입함으로써 CECT에서의 템플릿 매칭의 신뢰성을 향상시킨다.
• 이미지 기반 생성 모델링을 활용하여 복잡한 매크로분자 구조 분포에서 스케일이 가능하고 효율적인 샘플링 방법을 개발한다.

제안 방법

• 실험적으로 유도된 서브톰그래프에 대해 생성적 적대적 네트워크(GAN)를 훈련시어 매크로분자 구조의 기본 분포를 학습한다.
• 훈련된 생성기로 실제 매크로분자 복합체의 형태적 및 구조적 다양성을 모방하는 다양한 허구의 구조를 다량 생성한다.
• 생성된 허구의 구조를 ECT 데이터에서의 템플릿 매칭을 위한 가설 검증 프레임워크에 통합한다.
• 관측된 서브톰그래프 유사도 점수를 생성된 템플릿의 점수 분포와 비교하여 통계적 가설 검증을 수행한다.
• GAN의 이미지 기반 성격을 활용하여 원래의 ECT 데이터의 구조적 현실성과 공간적 맥락을 유지한다.
• 모의 및 실험적 서브톰그래프를 대상으로 방법을 검증하여 통계적 타당성과 잘못된 양성 결과 감소 정도를 평가한다.

실험 결과

연구 질문

• RQ1 제한된 실험적 ECT 데이터에서 허구의 매크로분자 구조를 효과적으로 샘플링할 수 있는 생성 모델은 통계적 가설 검증을 위해 충분히 강력한가?
• RQ2 기존의 유사도 기반 접근 방식과 비교했을 때, 생성된 템플릿을 사용함으로써 템플릿 매칭의 통계적 타당성은 어떻게 향상되는가?
• RQ3 제안된 방법은 모의 및 실험적 CECT 데이터에서 서브톰그래프 검출 시 잘못된 양성 결과를 어느 정도 감소시키는가?
• RQ4 GAN으로 생성된 템플릿는 세포 환경에서 생물학적으로 의미 있는 추론을 위해 필요한 구조적 다양성과 현실성을 유지하는가?
• RQ5 서브톰그래프에서 노이즈 수준과 구조적 이질성의 정도에 따라 가설 검증 프레임워크의 성능은 어떻게 변화하는가?

주요 결과

• 제안된 GAN 기반 생성 모델은 제한된 실험적 서브톰그래프에서 다양한 실제와 유사한 허구의 매크로분자 구조를 성공적으로 생성한다.
• 생성된 템플릿를 사용한 통계적 가설 검증은 표준 템플릿 매칭에 비해 서브톰그래프 식별에 대한 신뢰도를 크게 향상시킨다.
• 생성된 템플릿를 통한 가설 검증은 구조적 유사도에 대한 통계적으로 타당한 기준을 제공함으로써 서브톰그래프 검출의 잘못된 양성률을 감소시킨다.
• 생성된 템플릿를 사용한 가설 검증은 모의 및 실험적 CECT 데이터에서 매크로분자 정체의 신뢰성 있는 할당을 가능하게 한다.
• 이 방법은 노이즈와 구조적 변동성에 대해 강건성을 보이며, 다양한 서브톰그래프 집단에서 높은 통계적 타당성을 유지한다.
• 이미지 기반의 GAN 성격 덕분에 생성된 구조는 천연 세포 환경의 공간적 및 형태적 맥락과 일치한다.