冷冻电镜颗粒分类不再靠人工挑类:无监督自编码器把视角与结构压进同一隐空间
核心概要
细胞原位冷冻电子断层图像里混着大量不同蛋白,过去要靠模板匹配或人工挑选“好”的二维类才能分开它们。这套无监督自编码器用姿态增广和“赢者通吃”重建损失,把颗粒图像映射到低维隐空间,使同一结构的颗粒聚到一起。在β-半乳糖苷酶数据集上,自动筛出的33,097张颗粒重建到2.55Å,而用全部颗粒为2.60Å;在莱茵衣藻叶绿体类囊体膜的真实断层数据中,模型分出四类蛋白密度,常规二维与三维分类未能恢复这些蛋白复合物的密度。
深度剖析
冷冻电镜与冷冻电子断层成像的颗粒图像现在可以在没有人工标注、也没有目标蛋白先验结构的情况下按结构自动分组,同一蛋白的不同投影视角被归入隐空间中相邻的位置。 此前的做法要么依赖模板匹配,需要目标蛋白已有的结构并假定原位结构足够接近体外结构;要么用迭代二维或三维分类,由专家挑选“好”的类,可能引入偏差。 在β-半乳糖苷酶公开数据集自动选出的97,163张颗粒图像上,模型把蛋白图像与碳膜边缘、冰污染等非蛋白特征分开,聚类后自动选出33,097张“好”颗粒,重建得到2.55Å结构,而使用全部颗粒时为2.60Å。
方法的核心是一个自编码器:编码器把每张颗粒图像压成隐向量,解码器再生成一张去噪的二维结构模板,训练时不需要模型内部记住颗粒的旋转角度。 此前的同类无监督模型把面内姿态编码进编码器,训练收敛更困难;这里改为对同一图像做多个角度的旋转副本,只取重建误差最小的那个副本回传。 训练分三个阶段,第一阶段用二倍降采样图像和30度步长的粗网格,后两阶段用全分辨率图像和围绕当前估计的±50度、10度步长细网格,第三阶段加入可训练的增强解码器;在β-半乳糖苷酶与TRPV1的模拟混合数据上分类准确率为98.6%,在结构更相似的β-半乳糖苷酶与PKM2混合数据上为96.7%。
在真实的细胞原位数据上,模型把莱茵衣藻叶绿体类囊体膜上的颗粒分成四组,每组重建出的三维密度形状大体对应已知参与光合作用的四种膜蛋白。 同一批投影二维图像用cryoSPARC二维分类、对应三维子断层用RELION三维分类时,两种常规方法都能分辨单层与叠层膜,但未能恢复预期存在于类囊体膜上的蛋白复合物密度。 该实验使用EMPIAR-11830公开数据集,颗粒由既有流程半自动挑选,并手动排除了叶绿体内外膜上的颗粒;隐空间中不同蛋白没有形成清晰可分的簇,中间区域被裸膜和倾斜过大的“坏”颗粒占据,四类划分依据解码模板的结构特征人工完成。
启示与展望
已展示的范围包括单颗粒冷冻电镜数据上的颗粒清理、模拟混合数据上的分类,以及莱茵衣藻叶绿体类囊体膜这一真实细胞断层数据集上的四类划分;后者只涉及已知主要含四种光合膜蛋白的相对简单体系,颗粒由既有流程半自动挑选并手动排除内外膜颗粒。
隐空间中的簇分离会被连接不同视角簇的非颗粒图像破坏,裸膜和倾斜过大的颗粒会占据不同蛋白簇之间的过渡区域,使可分性下降;作者指出可加一轮预处理剔除“坏”颗粒,但这会因“坏”的判定主观而引入更多人为偏差。方法目前只适用于已提取且假定只含一个蛋白的颗粒图像,在蛋白尺寸差异大的体系中该假设不成立;模型也只在2至4种蛋白的混合上测试过。
