GaussianEM 가우시안 기반 3D 모델로 cryoEM 이질성 해결

초록

GaussianEM은 3차원 가우시안 함수를 이용해 단일 입자 이미지를 연속적인 잠재 공간에 매핑하고, 가우시안별 변형 파라미터를 예측함으로써 복합적인 조성·구조 이질성을 동시에 해석한다. 두 개의 인코더와 하나의 디코더로 구성된 네트워크는 실시간 실공간 비교를 사용해 고해상도 변형 지도를 생성하고, 원자 모델과 직접 연결해 원자 수준의 움직임을 시각화한다. 시뮬레이션 및 EMPIAR 데이터셋 실험에서 기존 방법보다 넓은 변형 스펙트럼을 포착하고, 지역 구조 일관성을 유지함을 입증하였다.

상세 분석

본 논문은 cryo‑EM 데이터에서 조성(컴포지셔널)과 구조(컨포메이션) 이질성을 동시에 해결하기 위한 새로운 프레임워크인 GaussianEM을 제안한다. 핵심 아이디어는 단백질을 수천 개에 이르는 3D 가우시안 함수 집합으로 표현하고, 각 가우시안의 밀도·스케일·위치 파라미터를 학습 가능한 변수로 두어 변형을 직접 모델링한다는 점이다. 이를 위해 두 개의 인코더—이미지 인코더와 가우시안 인코더—가 각각 2D 입자 이미지와 가우시안 속성을 저차원 잠재 공간에 매핑한다. 이미지 인코더는 VAE 구조를 차용해 연속적인 잠재 변수를 생성하고, 가우시안 인코더는 각 가우시안에 고유한 임베딩을 부여한다. 디코더는 이 두 정보를 결합해 가우시안별 파라미터 변화를 예측함으로써, 개별 가우시안을 변형시킨 3D 가우시안 모델을 재구성한다.

특히 실공간(real‑space)에서 실험 이미지와 렌더링된 투영을 비교하도록 설계했으며, 이는 Fourier 도메인 기반 방법들에 비해 변형 해석이 직관적이고 물리적으로 의미 있는 결과를 제공한다. CTF 보정도 실공간에서 수행되며, 포지션이 고정된 상태에서 네트워크가 학습되므로 기존의 CryoDRGN 등에서 발생하는 볼륨 재구성 단계의 오류를 최소화한다.

GaussianEM은 가우시안 수를 조절함으로써 해상도와 계산 비용 사이의 트레이드오프를 관리한다. 논문에서는 2 voxel 간격 샘플링을 기본값으로 사용했으며, 이는 수만 개의 가우시안을 효율적으로 처리하면서도 원자 수준의 세부 정보를 보존한다. 또한 로컬 리지듀얼 정규화(local rigidity regularization)를 도입해 인접 가우시안이 유사한 변형을 겪도록 유도함으로써, 다중 바디 리파인먼트에서 흔히 발생하는 비물리적 변형을 억제한다.

실험 결과는 크게 두 부분으로 나뉜다. 첫 번째는 CryoBench 시뮬레이션 데이터에서 360° 회전 운동을 정확히 복원한 사례이다. 잠재 공간이 원형으로 분포하고, 가우시안 변위가 원자 좌표에 매핑될 때 RMSD가 2.26 Å에 불과해 높은 정확도를 보여준다. 두 번째는 실제 EMPIAR 데이터셋(리보솜 조립체, 전구체 스플라이소솜, αVβ8 인테그린 등)에서 복합적인 조성·구조 변이를 동시에 포착한 사례이다. GaussianEM은 기존 방법(CryoDRGN, DynaMight, 3DFlex 등)이 놓친 미세한 부위의 결실과 이동을 식별하고, 연속적인 잠재 공간을 따라 부드러운 구조 전이를 시각화한다. 정량적 평가는 FSC와 RMSD를 이용해 GaussianEM이 높은 재구성 품질과 넓은 변형 스펙트럼을 동시에 달성함을 입증한다.

이와 같이 GaussianEM은 가우시안 기반의 의사원자 모델을 활용해 실시간으로 변형을 추정하고, 원자 모델과 직접 연결함으로써 구조생물학자들이 직관적으로 변화를 해석할 수 있는 새로운 도구를 제공한다.