ACE-HetEM for ab initio Heterogenous Cryo-EM 3D Reconstruction

要約

クライオ EM 実験では信号対雑音比 (SNR) が非常に低く、未知の姿勢 (投影角度と画像変換) が行われるため、2D 画像から 3D 構造を再構成することは非常に困難です。
これらの課題に加えて、異種クライオ EM 再構成には立体構造分類という追加の要件もあります。
この問題に対する新たな解決策は償却推論と呼ばれ、オートエンコーダ アーキテクチャまたはそのバリアントを使用して実装されます。
非償却法のように、データセット内のすべての画像に対して正しい画像とポーズ/コンフォメーションのマッピングを検索する代わりに、償却推論では、ポーズまたはコンフォメーションを表す適切な潜在空間に画像をマッピングするエンコーダーをトレーニングするだけで済みます。
残念ながら、絡み合った潜在空間を使用する標準的な償却推論ベースの方法では、クライオ EM 画像から立体構造と姿勢の分布を学習することが困難です。
この論文では、償却推論に基づく「ACE-HetEM」と呼ばれる教師なし深層学習アーキテクチャを提案します。
コンフォメーション分類とポーズ推定のもつれの解き方を明示的に強制するために、画像間タスクとポーズ間タスクという 2 つの交互のトレーニング タスクをメソッド内で設計しました。
シミュレートされたデータセットの結果は、ACE-HetEM が姿勢推定において同等の精度を持ち、非償却法よりもさらに優れた再構成解像度を生成することを示しています。
さらに、ACE-HetEM が実際の実験データセットにも適用できることを示します。

要約(オリジナル)

Due to the extremely low signal-to-noise ratio (SNR) and unknown poses (projection angles and image translation) in cryo-EM experiments, reconstructing 3D structures from 2D images is very challenging. On top of these challenges, heterogeneous cryo-EM reconstruction also has an additional requirement: conformation classification. An emerging solution to this problem is called amortized inference, implemented using the autoencoder architecture or its variants. Instead of searching for the correct image-to-pose/conformation mapping for every image in the dataset as in non-amortized methods, amortized inference only needs to train an encoder that maps images to appropriate latent spaces representing poses or conformations. Unfortunately, standard amortized-inference-based methods with entangled latent spaces have difficulty learning the distribution of conformations and poses from cryo-EM images. In this paper, we propose an unsupervised deep learning architecture called ‘ACE-HetEM’ based on amortized inference. To explicitly enforce the disentanglement of conformation classifications and pose estimations, we designed two alternating training tasks in our method: image-to-image task and pose-to-pose task. Results on simulated datasets show that ACE-HetEM has comparable accuracy in pose estimation and produces even better reconstruction resolution than non-amortized methods. Furthermore, we show that ACE-HetEM is also applicable to real experimental datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google