[论文解读] 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 45

一句话总结

cryoDRGN 是一种基于神经网络的方法，通过将精确姿态推断与对结构异质性的变分推断相结合，直接从未标记的二维 cryo-EM 图像重建蛋白质三维结构的连续分布。

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.

研究动机与目标

• 激励在 cryo-EM 中解决连续结构异质性，而不仅仅是离散多类别 refinement。
• 提出一个神经网络框架，将三维体积建模为从未标记的 2D cryo-EM 图像学习得到的连续潜在流形。
• 使用傅里叶空间解码器和精确的姿态推断，将本征结构变异与外在成像姿态解耦。
• 在模拟和真实 cryo-EM 数据上展示从头重建能力。
• 展示 cryoDRGN 能恢复连续构象景观，并与传统的多类别方法进行比较。

提出的方法

• 使用以坐标为输入的神经网络解码器对傅里叶空间中的三维体积进行编码，由潜在变量 z 参数化。
• 使用变分自编码器从二维 cryo-EM 图像推断潜在变量 z。
• 通过对 SO(3) × R2 的分支限界全局搜索，对图像姿态 (R, t) 进行精确推断。
• 通过傅里叶切片定理表示图像形成，将二维投影与三维体积联系起来。
• 提供一个固定的神经体系结构，其中解码器在给定 k 和 z 的情况下输出傅里叶域体积上的高斯分布，并对 k 进行位置编码。
• 使用变分下界端到端训练模型，对每个图像采样 z 并优化姿态。

实验结果

研究问题

• RQ1 神经网络是否能够直接从未标记的二维 cryo-EM 图像学习到三维蛋白质结构的连续流形？
• RQ2 是否显式解耦成像姿态与本征结构变异，使得从头重构连续异质性成为可能？
• RQ3 cryoDRGN 在同质数据与异质数据上的表现如何，并且与多类别 cryo-EM 方法相比如何？
• RQ4 倾斜系列信息是否能在无监督的异质环境中提升姿态不变性和重建质量？

主要发现

• CryoDRGN 使从未标记的 cryo-EM 图像中实现三维体积连续分布的从头重建。
• 在同质数据上，cryoDRGN 在 FSC 和姿态误差等指标上达到最先进的姿态准确性和体积重建水平。
• 在异质真实数据上，cryoDRGN 重建已知的主要结构态，并使潜在空间与离散的 cryoSPARC 集群对齐。
• 在具有合成连续异质性的完全无监督测试中，cryoDRGN 沿着真实的反应坐标重建连续形变，并优于离散多类别方法。
• 使用倾斜系列对进一步提高连续异质性任务的重建精度。