Cryo-EM image processing of amyloid filaments in RELION-5.1

本論文は、RELION-5.1 に、アミロイドフィラメントの自動ピッキング、オンザフライ前処理、クラスタリングに基づくフィラメントタイプ選択、および再学習されたデノイジングニューラルネットワークといった新機能を導入し、hIAPP のデータセットを用いてその有効性を実証したものである。

要約

1. 自動で線維を見つける「探偵カメラ」

（新しい自動ピッキング機能）

アミロイド線維は、タンパク質が積み重なってできた長い紐のようなものです。この紐には、「4.75 オングストローム（非常に小さな単位）」という決まった間隔で、リズミカルな模様が刻まれています。

• 昔のやり方： 研究者が顕微鏡の画像をじっと見つめ、「あ、ここに紐があるな」と目で探して、マウスで線を引いていました。これは非常に疲れる作業で、見落としも多かったです。
• 新しい道具： 今回追加されたのは、**「4.75 のリズムを聞き分ける探偵カメラ」**です。
  • このカメラは、画像の中で「4.75 のリズム」が鳴っている場所を自動で検知します。
  • 氷の結晶など、リズムのないノイズは「ノイズだ！」と見分け、アミロイド線維だけを正確に「線」でなぞります。
  • これにより、研究者は画像を見るだけで、自動的に線維の位置を特定できるようになりました。

2. 混ざり合った「糸」を分ける「賢い整理係」

（フィラメントタイプの選別ツール）

実験室でアミロイド線維を作ると、実は**「同じタンパク質なのに、形が少し違う複数の種類の線維」**が混ざってできてしまうことがあります。これを混ぜたまま解析すると、ぼやけた画像になってしまいます。

• 昔のやり方： 2 次元の画像を分類して、手作業で「これは A 型の線維だ、これは B 型だ」と分類していました。しかし、線維が長くて複雑なため、どこで A から B に変わるかがわかりにくく、混乱していました。
• 新しい道具： 今回は**「ビヒエラルキカル・クラスタリング（二重階層クラスタリング）」という、超優秀な整理係**が登場します。
  • この整理係は、「この線維のどの部分も、基本的には同じ種類の線維だ」という性質を利用します。
  • 画像の分類結果（2D クラス）を眺めながら、「この線維の A 部分と B 部分は似ているから、同じグループに入れよう」と、線維全体をまとめてグループ分けします。
  • これにより、混ざっていた「A 型」「B 型」「C 型」の線維が、きれいに色分けされたブロックとして見えるようになり、研究者は「あ、このグループだけを取り出せばいいんだ」と一目でわかります。

3. 画像を綺麗にする「アミロイド専用デノイズ・フィルター」

（Blush 正則化の改良）

電子顕微鏡の画像は、どうしても「ノイズ（砂嵐のようなざらつき）」が含まれています。これを除去して、タンパク質の形をくっきりさせる技術に「Blush（ブラッシュ）」という名前があります。

• 昔の悩み： 従来の「ブラッシュ」は、**「丸い形をしたタンパク質（球体）」を勉強して作られたため、アミロイドのような「長い紐」の形には少し不向きでした。無理やりノイズを消そうとすると、「点々とした、つながりのないボロボロの画像」**になってしまったり、逆に本当の構造が見えなくなったりしました。
• 新しい道具： 今回は、**「アミロイド線維の形に特化して再教育されたフィルター」**を作りました。
  • 300 種類以上のアミロイド構造を学習させ、「紐はこうつながっているはずだ」という知識を詰め込みました。
  • これを使うと、ノイズはきれいに消えつつ、**「タンパク質の鎖が滑らかにつながっている」**ような、くっきりとした 3 次元画像が得られるようになります。

---

実際の成果：2 つの実験で証明

この新しい道具箱を使って、2 つの実験を行いました。

1. アルツハイマー病関連のタンパク質（Tau）：
   • 比較的簡単なデータでしたが、新しいツールを使えば、3 時間程度で自動的に処理が完了し、非常に高精細な 3 次元構造が作れました。
2. 糖尿病関連のタンパク質（hIAPP）：
   • こちらは非常に難易度が高く、**「8 種類もの異なる形の線維」**が混ざっていました。
   • 従来の方法では見逃されていた**「2 つの新しい線維の形」**を、新しい「整理係」ツールのおかげで見つけ出すことができました。
   • また、「自動カメラ」が拾えなかった線維（リズムが弱いもの）は、実は構造が不安定で、高解像度の画像にはなりませんでした。これは「自動カメラ」が、**「高品質な線維だけを厳選して拾う」**という点で、人間の目よりも優れていることを示しています。

まとめ

この論文は、**「アミロイド線維という複雑な謎を解くために、AI と統計学を組み合わせた新しい『自動運転システム』を作りました」**と宣言しています。

これにより、研究者は画像処理の面倒な作業から解放され、「なぜ病気が起こるのか？」という根本的な構造の解明に、より多くの時間を割けるようになります。まるで、暗闇の中で手探りで糸をたぐっていたのが、強力な懐中電灯と自動糸巻き機を手に入れたようなものなのです。

技術概要

この論文は、電子顕微鏡（Cryo-EM）を用いたアミロイドフィラメントの構造決定を支援するため、RELION-5.1 ソフトウェアパッケージに実装された新しいツールセットとアルゴリズムについて報告しています。以下に、問題意識、手法、主要な貢献、結果、および意義について詳細にまとめます。

1. 背景と課題 (Problem)

アミロイドフィラメントは、神経変性疾患など多くの疾患に関連するタンパク質の集合体であり、その原子レベルの構造決定は Cryo-EM によって可能になりました。しかし、以下の理由から依然として困難を伴います。

• 対合の難しさ: ヘリカル軸に沿った低解像度の構造特徴が欠如しており、ヘリカル再構成が誤った局所最小値に陥りやすい。
• 構造的多様性: 同一タンパク質が複数の異なるアミロイド構造（フィラメントタイプ）を形成することが多く、データセット内に複数のタイプが混在している場合、それらを分離して信頼性の高い再構成を行う必要があります。
• 既存ツールの限界: 一般的な Cryo-EM 処理用ニューラルネットワーク（Blush 正則化など）は、球状タンパク質で訓練されているため、アミロイド特有の反復構造やヘリカル軸方向の密度特性を十分に捉えられず、過学習（overfitting）や「ドット状」の密度ノイズを引き起こすことがありました。

2. 手法と主要な貢献 (Methodology & Key Contributions)

著者らは、RELION-5.1 において以下の 4 つの主要な技術的革新を導入しました。

A. アミロイド特異的な自動フィラメント・ピッカー (Automated Filament Picker)

• 原理: アミロイドフィラメントのβシートが約 4.75 Å の間隔で反復する特徴的な信号（フーリエ空間）を利用します。
• アルゴリズム: マイクログラフをダウンスケールし、36 方向に 1 次元配列を抽出して 4.65-4.85 Å 範囲の積算パワーを計算します。氷の結晶による偽陽性を排除するため、4.2-4.4 Å の信号も監視します。
• 深層学習: 計算された指標（FOM 画像と PSI 画像）を、修正された U-net 構造のニューラルネットワークに入力し、フィラメントの存在確率を予測して自動追跡（トレーシング）を行います。

B. 自動化された前処理パイプライン (Automated Pre-processing Pipeline)

• amyprep スキーム: 動画の取り込み、モーション補正、CTF 推定、自動ピッキング、サブセット選択を反復実行します。CPU 最適化環境で動作し、氷の混入がないマイクログラフを自動的に選別します。
• amyproc スキーム: GPU 環境で動作し、神経ネットワークによるフィラメント追跡、粒子抽出、2D 分類を実行します。これにより、データ収集中のオンザフライ処理が可能になります。

C. フィラメントタイプの選別ツール (Filament Type Selection Tool)

• 手法: 2D クラス平均とフィラメント ID の組み合わせから得られる行列に対して、**二階層的クラスタリング（bi-hierarchical clustering）**を適用します（CHEP アルゴリズムの改良版）。
• 利点: 個々の粒子ではなく「フィラメント全体」の 2D クラス分布パターンに基づいてクラスタリングを行うため、異なるフィラメントタイプを視覚的に明確に分離できます。これにより、構造的多様性を持つデータセットから特定のタイプを効率的に抽出できます。

D. アミロイド特異的な Blush 正則化 (Amyloid-specific Blush Regularisation)

• 再訓練: 既存の一般用 Blush 正則化用ニューラルネットワークを、アミロイド構造（Amyloid Atlas に登録された 318 件のエントリー）に特化して再訓練しました。
• 工夫: ヘリカル軸周りの回転のみを拡張データとして使用し、アミロイド特有の 4.75 Å 反復信号や、ボックス端まで広がる密度分布を学習させました。これにより、過学習を抑制し、主鎖や側鎖の密度を明確にします。

3. 結果 (Results)

著者らは、2 つの実験データセットを用いてこれらのツールの有効性を検証しました。

事例 1: 組換え PAD12 タウフィラメント

• 結果: 自動ピッカーは高品質なフィラメントを正確に検出しました。二階層的クラスタリングにより、すべてのフィラメントが同一タイプであることが確認されました。
• 解像度: アミロイド特異的 Blush 正則化を用いた 3D 自動精製により、3.2 Å の解像度で原子モデルが構築可能なマップが得られました。

事例 2: 組換え hIAPP（S20G 変異）フィラメント

• 課題: 時間分解 Cryo-EM データセットには、4.75 Å 信号が弱いフィラメントも含まれていました。
• 発見: 自動ピッカーとクラスタリングツールを用いることで、8 つの異なるフィラメント・クラスターを特定しました。
  • 既知の構造（L 字型、P 字型など）に加え、**3 本のプロトフィラメントからなる新しい構造（3PFLU と 3PFLJ）**を同定し、原子モデルを構築しました。
• FOM 信号の重要性: 4.75 Å 信号が弱いフィラメントを手動で抽出して再構成を試みましたが、解像度は 4.8 Å で止まり、アミロイド層の分離ができませんでした。これは、自動ピッカーが「高品質で秩序だったフィラメント」のみを選択的に抽出する優位性を示しています。

正則化の比較

• 難易度の高いデータセット（Pick 病由来のタウなど）において、従来の Blush 正則化では「ドット状」の密度ノイズが見られましたが、アミロイド特異的 Blushを用いることで主鎖が連続した明確な密度が得られ、過学習が抑制されました。

4. 意義と結論 (Significance)

• 自動化と客観性: 完全自動化された前処理パイプラインと、構造的多様性を客観的に選別するクラスタリングツールにより、アミロイド構造決定のハードルが大幅に下がりました。
• 新構造の発見: 従来の手法では見逃されていた稀なフィラメントタイプや、時間経過とともに出現する中間構造の同定が可能になりました。
• 品質向上: アミロイド特有の信号に特化したニューラルネットワーク（ピッカーと Blush 正則化）は、解像度の向上と過学習の防止に不可欠であり、特に低信号対雑音比（SNR）のデータセットにおいて有効です。
• 将来展望: これらのツールは、ヒト組織由来のアミロイド構造を再現するモデル系のスクリーニングや、より困難なサンプルからの高解像度構造決定を可能にするものとして期待されています。

総じて、この論文は Cryo-EM によるアミロイド構造生物学のワークフローを標準化し、信頼性と効率性を飛躍的に向上させる重要なステップです。