[論文レビュー] Reconstructing continuous distributions of 3D protein structure from cryo-EM images

Ellen D. Zhong, Tristan Bepler+2 more|arXiv (Cornell University)|Sep 11, 2019

Advanced Electron Microscopy Techniques and Applications参考文献 37被引用数 45

ひとこと要約

cryoDRGNは、ラベルなしの2D cryo-EM画像から、構造的不均質性に対する変分推論とともに、正確な姿勢推定を組み合わせることで、3Dタンパク質構造の連続的分布を直接再構成するニューラルネットワークベースの手法です。

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.

研究の動機と目的

• cryo-EMにおける連続的構造ヘテロゲネシティを、離散的な多クラスリファインメントを超えて対処することの動機付け。
• ラベルなしの2D cryo-EM画像から学習された連続的な潜在多様体として3D体積をモデル化するニューラルネットワークフレームワークを提案する。
• フーリエ空間デコーダと正確な姿勢推定を用いて、内部構造変動と外的撮像姿勢を分離する。
• 模擬データと実データのcryo-EMデータに対してab initio再構成能力を実証する。
• cryoDRGNが連続的なコンフォメーションランドスケープを回復できることを示し、従来の多クラスアプローチと比較する。

提案手法

• 潜在変数zでパラメータ化された座標ベースのニューラルネットワークデコーダを用いて、3D体積をフーリエ空間でエンコードする。
• 2D cryo-EM画像から潜在変数zを推定するために変分オートエンコーダを使用する。
• SO(3) × R2に対する分岐限定木グローバル探索によって、画像姿勢(R, t)の正確な推定を行う。
• フーリエスライス定理を用いて、2D投影と3D体積を関連付ける画像生成を表現する。
• kとzに対してデコーダがフーリエドメインの体積のガウス分布を出力する固定のニューラルアーキテクチャを提供し、kの位置エンコーディングを用いる。
• 変分下界でエンドツーエンドに学習し、各画像ごとにzをサンプリングし姿勢を最適化する。

実験結果

リサーチクエスチョン

• RQ1 ニューラルネットワークは、ラベルなしの2D cryo-EM画像から直接、連続的な3Dタンパク質構造の多様体を学習できるか？
• RQ2 撮像姿勢を intrinsic structural variability から明示的に分離することは、連続的ヘテロ機構の ab initio 再構成を可能にするか？
• RQ3 均質データと異質データでcryoDRGNの性能はどうか、従来の多クラスcryo-EM手法と比較してどうか？
• RQ4 傾斜シリーズ情報は、教師なしの異種設定における姿勢不変性と再構成品質を改善するか？

主な発見

• cryoDRGNは、ラベルなしのcryo-EM画像から連続分布の3D体積のab initio再構成を可能にする。
• 均質データでは、cryoDRGNはFSCおよび姿勢誤差で測定される最先端の姿勢精度と体積再構成と同等である。
• 異種実データでは、cryoDRGNは既知の主要構造状態を回復し、潜在空間を離散的なcryoSPARCクラスターと整合させる。
• 完全に監視なしの synthetic continuous heterogeneity テストで、cryoDRGNは真の反応座標に沿った連続的な変形を再構成し、離散的多クラス手法を上回る。
• 傾斜シリーズのペアを使用することで、連続的ヘテロゲネシティ課題の再構成精度がさらに向上する。