Fast Protein Crystal detection and classification using Detectron2 and gaussian mixture models for continuous Bioprocessing

技術要約：Detectron2とガウス混合モデルを用いた高速なタンパク質結晶の検出および分類

問題提起
タンパク質の結晶化は、X線回折による原子レベルの構造決定を可能にする、構造生物学および創薬における基礎的なステップである。しかし、顕微鏡画像からタンパク質結晶を特定、測定、分類するための目視検査は、時間がかかる上に主観的であり、エラーが発生しやすい。このボトルネックは、ハイスループットスクリーニングによって膨大なデータセットが生成される中でさらに深刻化しており、従来の目視によるスコアリングは一貫性に欠ける。既存の自動化手法には大きな限界がある。例えば、古典的な画像処理手法（エッジ検出など）は、ノイズや重なり合うアーティファクトが存在する高密度環境では機能せず、またYOLOv3のような物体検出モデルは、小さな物体への対応に苦しみ、ピクセルレベルの精緻な描写を欠いている。さらに、教師あり分類には、実験室間で一致したカテゴリを持つ大規模かつ手動でラベル付けされたデータセットが必要であるが、そのようなデータは入手困難であり、一貫性も乏しい。

手法
著者らは、インスタンスセグメンテーションと教師なしクラスタリングを統合し、タンパク質結晶の解析を自動化する、エンドツーエンドの統一されたパイプラインを提案している。このフレームワークは、主に4つの段階で構成される：

1. データセットのキュレーション: 連続流リゾチーム結晶化実験から得られた1,860枚の顕微鏡画像からなるカスタムデータセットを構築した。品質管理の結果、低品質な画像632枚を除去し、最終的なキュレーション済みデータセットとして1,228枚を残した。そのうち382枚のサブセットに対し、インスタンスセグメンテーションの学習用にLabelMeを用いてポリゴンマスクによる手動アノテーションを行った。残りの画像は、教師なし分類タスクに利用された。
2. インスタンスセグメンテーション (Detectron2): コアとなる検出コンポーネントには、ResNet-101バックボーンとFeature Pyramid Network (FPN) を備えた、ファインチューニング済みのDetectron2 Mask R-CNNモデルを使用している。モデルはCOCOプリトレーニング済みの重みで初期化され、ピクセル精度のセグメンテーションを実現するために単一クラス（タンパク質結晶）に対して学習された。前処理には、画像のサイズ変更（短辺800px、最大1333px）と標準的な正規化が含まれる。学習設定は、バッチサイズ4、ベース学習率 $2.5 \times 10^{-4}$、1,000イテレーションを使用した。
3. 特徴抽出と次元削減: 検出された各結晶インスタンスについて、Detectron2バックボーンのP3レベルから特徴マップを抽出した。これらの高次元埋め込みは、情報量の多い分散を保持しつつ計算効率を確保するため、主成分分析 (PCA) を用いて64次元に圧縮された。
4. 教師なし分類 (GMM): 次元削減された特徴ベクトルは、4つのコンポーネントを持つガウス混合モデル (GMM) を用いてクラスタリングされた。このアプローチにより、手動のラベルを必要とせずに、形態学的パターン（サイズ、形状、質感）に基づいて結晶を分類する。パイプラインの出力には、セグメンテーションマスク、クラスター割り当て、および定量的測定値（ピクセル面積、$\mu m^2$単位の校正済み面積）が含まれる。

主な貢献
本論文では、主に3つの貢献を述べている：

• データセットの構築: インスタンスセグメンテーションタスク向けに特別に設計された、ポリゴンマスクを持つ382枚の高精度なアノテーション済み顕微鏡結晶画像データセットを作成した。
• 堅牢な検出モデル: 多数の小さな結晶や重なり合った結晶が存在する高密度なシーンを含む、困難な条件下でも信頼性の高いマルチインスタンス検出が可能な、Detectron2ベースのモデルの開発およびファインチューニングを行った。
• エンドツーエンドのパイプライン: セグメンテーション、特徴抽出、次元削減、および教師なし分類を統合した完全なワークフローを設計し、ユーザーフレンドリーなGradioインターフェースを通じて利用可能にした。このパイプラインは、PCAを訓練用特徴量のみに適合させることで、偏りのない評価を保証している。

結果

• セグメンテーション性能: ファインチューニングされたMask R-CNN (R101-FPN) は、テストセットにおいて平均Dice係数 (DSC) 0.90 (範囲: 0.82–0.94) を達成した。モデルは、接触または部分的に重なり合った結晶を区別する堅牢性を示し、気泡などのアーティファクトによる偽陽性を効果的に抑制した。
• ベースライン比較: 古典的なエッジベースの手法とYOLOv3をベースラインとして評価した。YOLOv3は高密度シナリオでの汎用性に欠け（40個以上の結晶を含む画像において約30個のインスタンスしか検出できなかった）、結合されたバウンディングボックスを生成した。古典的な手法は、隣接する結晶を結合したり、単一の結晶を断片化したりすることが頻繁にあった。
• 分類とクラスタリング: GMMは、重み [0.5926, 0.1650, 0.2252, 0.0172] を持つ4つの明確なクラスターを特定した。主要なクラスターは小さな結晶に対応しており、これはデータセット内でのそれらの普及率を反映している。視覚的確認により、これらのクラスターは手動ラベルなしで、明確な形態学的特性（サイズ、形状、質感）と相関していることが確認された。
• 人間による検証: 50枚のテスト画像（約1,200インスタンス）に対する専門家のレビューの結果、境界の描写に関して自動セグメンテーションと専門家のアノテーションとの間で92%の一致が見られた。偽陽性率は5%未満であり、88%の結晶が視覚的に一貫した形態学的特性を持つクラスターに割り当てられた。

意義と主張
著者らは、このフレームワークが高スループットの結晶化スクリーニングのためのスケーラブルで再現可能なソリューションを提供すると主張している。精密なインスタンスセグメンテーションと教師なし分類を組み合わせることで、本システムは観察者依存のバイアスを軽減し、広範な手動ラベル付けの必要性を排除する。このパイプラインは、結晶のサイズや形態の正確な測定を可能にし、構造生物学や合理的創薬におけるダウンストリームのアプリケーションを支援する。Gradioインターフェースの統合により、非専門家ユーザーでも個別の画像またはバッチに対して自動解析を行うことができ、タンパク質構造決定の迅速化を促進する。本研究は、より効率的でデータ駆動型の構造生物学ワークフローへの一歩として提示されているが、著者らは、時間的モデリング、異なるイメージングモダリティへのドメイン適応、およびリアルタイムのビームライン安全システムへの統合といった、フレームワークを拡張するための今後の課題があることも述べている。