Automated in situ CryoET Structure Determination with a Self-Configuring Workflow
이 논문은 전문가의 개입을 최소화하면서 다양한 생물학적 시료에 대해 고해상도(3–20 Å) 인시튜(in situ) 초저온 전자 단층 촬영 구조 결정을 가능하게 하기 위해, 자기 구성형 딥러닝 검출기인 Octopi를 표준화된 py2rely 워크플로와 통합한 자동화된 프레임워크를 소개한다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기
모든 살아있는 세포 내부에는 단백질을 만들고, 유전 코드를 복제하며, 물질을 운송하는 분자 기계들이 3차원 공간에서 분주하게 움직이는 거대한 도시가 존재합니다. 생명의 가장 근본적인 수준에서 생명이 어떻게 작동하는지 이해하기 위해, 과학자들은 이 기계들을 단순히 고립된 부품이 아니라 자연스럽고 혼잡한 환경 속에 존재하는 모습 그대로 관찰해야 합니다. 수년 동안 연구자들은 냉동 세포의 3차원 스냅샷을 찍기 위해 저온 전자 단층 촬영(cryo-electron tomography)이라는 기술을 사용해 왔습니다. 이 방법은 세포 내부의 풍경을 들여다볼 수 있게 해주지만, 그 가공되지 않은 이미지들을 선명하고 고해상도의 구조로 변환하는 과정은 여전히 어렵고 수동적인 작업으로 남아 있었습니다. 이는 마치 모든 책이 조금씩 다른 흐릿한 사진들로 이루어진 도서관을 가진 것과 같습니다. 텍스트를 읽으려면 인간 전문가가 각 책을 신중하게 골라내고, 다른 책들과 정렬하며, 수작업으로 이미지를 선명하게 만들어야 합니다. 이러한 병목 현상은 과학자들이 연구할 수 있는 구조의 수를 제한하여, 세포 세계의 많은 부분을 미개척 상태로 남겨두었습니다.
Chan Zuckerberg Biohub의 연구진은 이제 이 전체 과정을 자동화하여, 노동 집약적인 작업을 스스로 구성되는 워크플로우로 바꾸는 시스템을 구축했습니다. 그들은 두 가지 주요 도구를 개발했는데, 하나는 복잡한 세포 소음 속에서 분자 기계를 찾아내는 것이고, 다른 하나는 그 발견물들로부터 선명한 구조를 조립하는 것입니다. Octopi라는 이름의 첫 번째 도구는 지능형 탐지기 역할을 합니다. 매번 새로운 실험마다 무엇을 찾을지 인간이 가르쳐 주는 대신, Octopi는 시행착오 방식을 사용하여 분석 중인 특정 데이터에 맞게 자신의 내부 설정을 자동으로 조정합니다. 이 도구는 대상 분자가 막(membrane)이나 다른 세포 파편들에 둘러싸여 있을 때조차도 해당 분자의 형태와 신호를 인식하는 법을 배웁니다. Octopi가 이러한 분자들의 위치를 식별하면, 두 번째 도구인 py2rely가 업무를 이어받습니다. 이 시스템은 식별된 조각들을 모아 수학적으로 결합하며, 선명한 3차원 구조가 나타날 때까지 반복적인 주기를 통해 이미지를 정교하게 다듬습니다.
연구진은 이 자동화된 시스템을 시험관 안의 정제된 분자부터 복잡하고 온전한 박테리아 세포 및 인간 세포에 이르기까지 17가지의 서로 다른 과제에 적용했습니다. 모든 경우에서 이 시스템은 새로운 데이터셋을 위해 소프트웨어를 재설정하는 인간의 도움 없이도 작동했습니다. 여섯 가지 유형의 분자를 포함하는 표준 벤치마크 데이터셋에 적용했을 때, 자동 탐지기는 최근 국제 대회에서 우수한 성적을 거둔 인간 설계 모델만큼 정확하게 타겟을 찾아냈습니다. 더 중요한 것은, 이 자동화된 탐지 결과로부터 구축된 구조들이 그만큼 선명했다는 점입니다. 일부 타겟의 경우, 시스템은 개별 원자를 볼 수 있을 정도로 정밀한 3.0 옹스트롬(Å)의 해상도를 가진 이미지를 생성했습니다. 세포막에 부착된 분자와 같은 다른 까다로운 사례에서도, 시스템은 10에서 20 옹스트롬 사이의 해상도를 유지하며 전체적인 모양과 복합체의 주요 특징을 드러내는 데 성공했습니다.
이 시스템의 가장 중요한 성과 중 하나는 신호가 약하거나 가려진 어려운 환경을 처리하는 능력이었습니다. 연구진은 인간 세포 내에서 세포질에 자유롭게 떠다니는 리보솜과 세포 내부 막에 부착된 리보솜을 구분하도록 시스템에 요청했습니다. 단 몇 개의 수동 레이블링 예시만으로 학습된 이 탐지기는 두 그룹과 막 자체를 동시에 인식하는 법을 배웠습니다. 시스템은 두 집단을 성공적으로 분리하고 각각에 대한 선명한 구조를 구축했으며, 심지어 이전 연구에서 확인된 바 있는 막 부착 단백질 복합체까지 밝혀냈습니다. 마찬가지로, 박테리아 세포 내에서도 시스템은 단 몇 개의 훈련 예시만을 사용하여 밀집된 박테리아 세포질 속의 커다란 단백질 고리와 바이러스 유사 입자를 식별했습니다. 또한, 추가적인 튜닝 없이도 다른 유형의 세포 준비물에 대해 올바르게 작동하며 새로운 미지의 데이터셋에도 일반화되어 적용되었습니다.
이 연구는 또한 이러한 자동화된 접근 방식이 이전의 결과들을 개선할 수 있음을 보여주었습니다. 연구진이 경쟁 대회의 데이터에 이 자동화된 구조 구축 워크플로우를 적용했을 때, 결과 이미지는 원래 발표된 것보다 훨씬 더 선명했습니다. 예를 들어, 이전에 6.8 옹스트롬으로 해상도가 결정되었던 리보솜 구조는 새로운 일관된 처리 단계를 사용하는 것만으로 3.7 옹스트롬으로 개선되었습니다. 이는 이전의 한계가 데이터 자체의 문제가 아니라, 분석의 수동적이고 가변적인 특성 때문이었음을 시사합니다. 연구진은 시스템이 매우 희소한 정보로부터도 학습할 수 있다는 것을 발견했습니다. 매우 까다로운 타겟의 경우, 수동으로 표시된 단 50개의 예시만으로도 고품질의 구조를 생성하는 데 충분했습니다.
이 시스템은 매우 효과적이지만, 연구진은 여전히 인간의 개입이 필요한 영역이 있음을 언급했습니다. 시냅스 소낭(synaptic vesicles)에서 발견되는 특정 단백질 복합체의 경우, 자동화된 워크플로우가 최적의 입자 그룹을 선택하고 분석 마스크를 조정하기 위해 인간의 도움을 필요로 했습니다. 이러한 예외 상황은 시스템이 대부분의 시나리오를 처리할 수 있지만, 가장 복잡한 막 관련 타겟들은 여전히 전문가의 감독이 필요함을 보여줍니다. 그러나 이 프로젝트의 전반적인 성공은 원시 데이터로부터 원자 구조에 이르는 일반적인 자동화 경로가 이제 가능하다는 것을 증명합니다. 전문가의 가이드가 필요한 입자 선택과 맞춤형 워크플로우 조립의 필요성을 제거함으로써, 이 새로운 프레임워크는 과학자들이 이전에는 불가능했던 규모로 방대한 양의 세포 구조를 연구할 수 있는 문을 열어주었으며, 이를 통해 전례 없는 속도와 일관성으로 생명의 분자 기계를 지도화할 수 있게 되었습니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.