[论文解读] 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 7

一句话总结

DeepPicker 是一种用于冷冻电镜单颗粒分析中完全自动化粒子挑选的深度学习框架，采用跨分子训练策略，消除了人工干预。它在三个复杂数据集上实现了人类水平的准确度，仅需极少的人工干预即可识别出足够高质量的粒子，用于高分辨率三维重构。

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.

研究动机与目标

• 通过开发完全自动化的深度学习框架，消除单颗粒冷冻电镜中粒子挑选的人工干预。
• 解决冷冻电镜流程自动化中的瓶颈问题，即耗时且主观的人工粒子挑选。
• 在无需标注训练数据或用户提供的模板的情况下，实现高精度的粒子检测。
• 通过一种新颖的跨分子训练策略，实现与专家人工挑选相当的性能。

提出的方法

• DeepPicker 采用跨分子训练策略，从先前分析的显微图像中学习共有的粒子特征，实现在无任何人工标注数据情况下的零样本粒子检测。
• 该框架使用深度神经网络在显微图像上进行训练，通过固定尺寸窗口（180–320 像素）和 4 像素步长的滑动窗口方法预测粒子位置。
• 粒子候选通过学习到的模型进行打分，使用峰值窗口大小为滑动窗口大小 80% 的非极大值抑制方法进行处理。
• 将预测分数高于 0.5 的连通组件进行合并，并过滤掉大于平均大小四倍的组件，以去除假阳性结果。
• 通过迭代优化循环，从得分最高的 10,000 个粒子中重新训练模型，多轮迭代后逐步提升检测准确度。
• 该方法基于 Torch7 实现，利用 GPU 加速，可在一小时内完成训练，并在约 1.5 分钟内完成对 3710×3838 像素显微图像的粒子挑选。

实验结果

研究问题

• RQ1 深度学习模型是否能在不依赖任何人工标注数据或模板的情况下，实现与人类专家相当的冷冻电镜粒子挑选准确度？
• RQ2 跨分子训练策略在无任何人工标注的情况下，对不同显微图像中粒子特征的泛化能力如何？
• RQ3 与人工方法相比，自动化粒子挑选在单颗粒冷冻电镜数据处理中能多大程度地减少时间和工作量？
• RQ4 由 DeepPicker 挑选的粒子所生成的 2D 聚类和平均分类结果，与人工挑选的参考数据集相比如何？

主要发现

• DeepPicker 在三个冷冻电镜数据集上实现了与人类专家相当的召回率和精确率，证明了其在粒子挑选中达到人类水平性能。
• DeepPicker 挑选粒子的平均中心偏差经滑动窗口大小归一化后，表明其具有高空间精度。
• 由 DeepPicker 挑选粒子生成的 2D 聚类和平均分类结果与人工挑选参考数据集高度相似，验证了所选粒子的质量。
• 该方法在 10,000 个样本上训练时间少于一小时，并在 GPU 上约 1.5 分钟内完成对大尺寸显微图像（3710×3838 像素）的粒子挑选。
• 该框架成功识别出足够数量的高质量粒子，可用于高分辨率三维重构，显著减少了人工工作量。
• DeepPicker 是开源的，专为集成到完全自动化的冷冻电镜流程中而设计，支持可扩展且一致的粒子挑选。