Disentangling conformational and compositional heterogeneity for cryo-EM reconstruction via decoupled Gaussian mixture models

기술 요약: 분리된 가우시안 혼합 모델을 통한 결정적 구조 및 조성 불균질성 해소를 통한 Cryo-EM 재구성

문제 정의
초저온 전자 현미경(cryo-EM) 단일 입자 분석은 구조적 변형(연속적인 구조적 변형)과 조성적 변이(서브유닛 점유율 또는 화학량론의 이산적 변화)가 공존할 때, 해석 가능한 3차원 불균질성을 해결하는 데 근본적인 어려움에 직면해 있습니다. 기존 방법들은 이러한 두 가지 유형의 불균질성을 종종 서로 얽히게 만듭니다. 매니폴드 임베딩 방식(예: CryoDRGN)은 두 가지를 암묵적으로 모델링하지만, 연속적인 전이와 이산적인 상태를 분리하는 데 어려움을 겪어 해석을 복잡하게 만듭니다. 반대로, 유연한 재구성 방법(예: 3DFlex, DynaMight)은 변형 필드를 명시적으로 학습하지만 조성적 불균질성을 모델링하는 능력이 부족하여, 밀도 결손을 과장된 변형으로 오인하는 경우가 많습니다. 이러한 요인들을 분리하려고 시도하는 현재의 접근법들은 종종 공유된 구조적 역동성을 포착하거나 한 가지 유형의 불균질성을 다른 하나보다 우선시하는 데 실패하며, 이는 복잡한 거대 분자 앙상블의 도달 가능한 해상도와 해석력을 제한합니다.

방법론: CryoDCOV
저자들은 분리 가능한 가우시안 혼합 모델(GMM) 표현을 사용하여 이 두 가지 불균질성 원인을 명시적으로 분리하도록 설계된 딥러닝 프레임워크인 CryoDCOV(Cryo-EM Decoupling Conformation and Occupancy Variability)를 소개합니다.

• 분리된 GMM 표현: 3D 밀도 맵은 $N$개의 가우시안 함수 합으로 모델링됩니다. 이 프레임워크는 GMM 파라미터의 고유한 분리 가능성을 활용합니다:
  • 공간 중심 ($c$): 구조적 변형을 인코딩합니다.
  • 진폭 ($A$): 조성적 밀도 변이(점유율)를 포착합니다.
  • 너비 ($\sigma$): 가우시안의 공간적 범위를 정의합니다.
• 이중 오토-디코더(Dual Auto-Decoders): 두 개의 별도 좌표 기반 신경망(오토-디코더)이 사용됩니다:
  • **구조 디코더(conformation decoder)**는 잠재 변수 $z_c$와 위치 인코딩을 입력받아 합의된 중심 $c_0$로부터의 변위($D_c$)를 예측합니다.
  • **조성 디코더(composition decoder)**는 잠재 변수 $z_A$와 위치 인코딩을 입력받아 진폭 변화($D_A$)를 예측합니다.
• 교대 최적화 전략: 구조적 변형이 밀도 변화로 오인되거나 그 반대의 경우가 발생하는 모호함을 해결하기 위해, CryoDCOV는 특화된 훈련 전략을 채택합니다:
  1. 구조 최적화: 가우시안 진폭을 고정하고 변형 필드와 구조적 잠재 변수를 최적화합니다. 이는 모델이 공간적 변위를 통해 불균질성을 설명하도록 강제합니다.
  2. 조성 최적화: 변형 필드를 고정하고 가우시안 진폭을 최적화합니다. 이를 통해 모델은 진정한 조성적 불균질성을 나타내는 잔여 밀도 차이를 해결할 수 있습니다.
  3. 이 주기는 반복되며, 두 요인을 분리하는 것이 까다로운 문제(ill-posed problem)를 효과적으로 정규화합니다.
• 데이터 증강: 구조 훈련 중에 투영(projections)은 학습된 가우시안 진폭을 다른 입자로부터 무작위로 교체함으로써 증강됩니다. 이는 모든 조성 상태에 적용되는 전역적 변형 필드를 학습하도록 강제합니다.
• 실제 공간 정밀화(Real-Space Refinement): GMM 훈련 후, 학습된 변형 필드와 조성 잠재 변수를 사용하여 고해 resolution의 픽셀 수준 밀도 맵을 생성하는 수정된 신경 필드 접근 방식(CryoNeFEN 기반)이 실제 공간에서 처음부터 훈련됩니다. 이는 GMM 표현을 넘어 미세한 세부 사항을 향상시킵니다.

주요 기여

1. 명시적 분리: 이 프레임워크는 연속적인 구조 역동성과 이산적인 조성 상태가 독립적인 잠재 공간 및 파라미터를 통해 모델링되는 통합된 구조를 제공하여, 매니폴드 임베딩 방식에서 흔히 발생하는 얽힘 현상을 방지합니다.
2. 해석 가능성: 공간적 기하학을 밀도 분포와 분리함으로써, 방법론은 구조적 가변성에 대한 해석 가능한 랜드스케이프를 제공하며 조성 특이적 운동 분석을 가능하게 합니다.
3. 해상도 향상: 이 방법은 불균질성을 고려하면서 모든 입자 이미지로부터 신호를 집계하여, 조성 변화를 무시하는 방법들에 비해 유연한 영역에서 개선된 해상도를 달성합니다.

결과
저자들은 시뮬레이션 및 실험 데이터셋 모두에서 CryoDCOV를 벤치마킹했습니다:

• 시뮬레이션 데이터 (CryoBench): IgG-1D 데이터셋(연속적 운동)의 경우, 학습된 잠재 공간은 구조를 위한 고리 모양의 매니폴드를 형성하는 동시에 조성 변수를 단일 클러스터로 수렴시켰습니다. Ribosembly 데이터셋(이산적 조성 상태)의 경우, 이 방법은 조성 공간에서 16개의 이산 클러스터를 성공적으로 분리하는 동시에 구조 공간에서의 공유된 전역 기하학을 식별했습니다. 재구성은 각각 평균 ~7.7 Å 및 ~7.2 Å의 해상도를 달와했습니다.
• 실험 데이터:
  • $\alpha$v$\beta$8 인테그린(Integrin): CryoDCOV는 유연한 "leg"와 Fab 영역의 대규모 다방향 굽힘을 해결했습니다. 이 방법은 "운동 전용" 모델(3DFlex 또는 조성 분리가 없는 CryoDRGN 등)이 누락된 밀도를 보상하기 위해 운동 범위를 과장하는 경향이 있는 반면, CryoDCOV는 조성적 불균질성을 고려함으로써 더 물리적으로 정확한 표현을 제공함을 입증했습니다.
  • 리보솜 중간체 (BL17 결핍 50S): 이 방법은 5개의 주요 조립 상태를 식별하고 뚜렷한 조성 특이적 변형 궤적(예: 대단위체의 용매 측 진동 및 중앙 돌출부의 회전)을 해결했습니다.
  • Tri-snRNP 스플라이소좀(Spliceosome): CryoDCOV는 "head", "arm", "foot" 영역에서 다양한 점유율을 가진 5개의 대표적인 조성 상태를 식별했습니다. 또한 "운동 전용" 재구성이 신뢰할 수 있는 밀도가 부족한 영역(예: Class E의 "head")에서 과장된 변위를 나타낼 수 있음을 밝혀냈으며, 분리된 접근 방식이 더 정확한 구조 모델을 제공함을 보여주었습니다.
• 해상도 지표: 실험 데이터셋 전반에 걸쳐, CryoDCOV는 특히 유연한 영역에서 3DFlex 및 DynaMight에 비해 (Gold-Standard FSC로 측정된) 더 높은 전역 및 국소 해상도를 일관되게 달성했습니다.

의의 및 주장
본 논문은 CryoDCOV가 cryo-EM 데이터에 내재된 복잡한 불균질성을 해결하기 위한 강력하고 설명 가능한 프레임워크를 제공한다고 주장합니다. 점유율과 공간적 변형을 명시적으로 분리함으로써, 이 방법은 조성적 전이가 연속적인 변형으로 잘못 해석되어 발생하는 운동 아티팩트를 완화합니다. 저자들은 이 접근 방식이 특정 조성 상태에 대한 연속적인 변형 재구성을 가능하게 하여, 거대 분자 앙상블의 기능적 역동성을 밝히는 일반적인 프레임워크를 제공한다고 기술합니다. 이 방법은 초기 밀도 맵에 의존하며 신중한 초기화가 필요하지만, 구조적 조성과 변형이 공동으로 해결되는 분자 역동성의 포괄적이고 연속적인 표현을 향한 중요한 진전을 의미합니다. 저자들은 추론된 불균질성을 해석하는 데 있어 엄격한 검증(예: 원자 모델 피팅)이 여전히 매우 중요하다는 점을 강조합니다.