SOLVAR: 저해상도 공분산을 빠르게 추정하고 자세를 동시에 정교화하는 새로운 방법

초록

SOLVAR는 저차원 가정에 기반해 공분산 행렬의 주요 고유벡터를 효율적으로 추정하고, 입자 이미지의 자세를 최적화까지 수행한다. 기존 공분산 기반 이질성 분석이 직면한 메모리·시간 한계를 극복하며, 합성·실험 데이터에서 연속적인 구조 변이를 정확히 포착하고 벤치마크에서 최첨단 성능을 보인다.

상세 분석

본 논문은 cryo‑EM 연속 이질성 문제를 선형 모델링으로 접근한다. 입자 이미지 Y_i는 2‑D 투영 연산자 P_i와 잡음 e_i의 합으로 표현되며, 각 이미지의 자세 (회전 φ_i, 이동 t_i)를 포함한다. 기존 공분산 기반 방법은 자세가 알려진 경우에만 평균 μ와 공분산 Σ를 직접 추정할 수 있었고, 전체 공분산 행렬이 N³×N³ 크기로 메모리와 연산량이 급증한다는 근본적인 제약이 있었다. SOLVAR는 Σ를 저‑랭크 r (r≪N³) 로 가정하고 Σ=∑_{j=1}^r v_j v_j* 형태로 치환한다. 이렇게 하면 Σ의 고유벡터 v_j만을 직접 최적화 변수로 삼아 목적함수 f_LS(v₁,…,v_r)를 정의할 수 있다. f_LS는 관측 이미지와 현재 평균 μ̂ 사이의 잔차 제곱, 각 v_j에 대한 투영 내적, 정규화 항 등을 포함한다. 중요한 점은 이 목적함수가 P_i와 그 에드조인트 P_i*만을 호출하면 평가 가능하다는 것이다. 따라서 FFT 기반의 트리리니어 보간, 최근접 이웃, 혹은 NUFFT 등 다양한 구현을 선택할 수 있어 정확도와 속도 사이의 트레이드오프를 자유롭게 조절한다.

목적함수의 미분식(식 7)은 각 이미지에 대해 P_i*를 적용한 형태로 구성되어 있어, 미니배치 SGD를 이용한 스토캐스틱 최적화가 가능하다. 연산 복잡도는 O(n r² N² + m r² N³)이며, 배치 크기 B에 따라 O(K (n r² N² + (n m /B) r² N³)) 로 선형 확장이 된다. 이는 기존 EM 기반 PPCA나 RECO‑VAR와 비교해 메모리 요구량이 크게 감소하고, 고해상도(N≈200)에서도 실시간에 근접한 학습이 가능함을 의미한다.

자세 정교화는 기존 공분산 기반 방법이 불가능했던 부분이다. 논문은 최대우도 추정식(식 8)을 도입해 Σ와 자세를 동시에 최적화한다. Gaussian 가정 하에 Σ를 저‑랭크 형태로 치환하면, 로그 행렬식과 역행렬 연산이 V V* 형태로 축소되어 효율적으로 계산된다. 이때 자세 파라미터는 P_i 내부에 포함되므로, SGD 단계에서 회전·이동 파라미터에 대한 경사도 함께 업데이트한다. 실험 결과, 단순 LS 추정보다 이 최대우도 기반 접근이 자세 오차를 크게 감소시키고, 최종 고유벡터의 품질을 향상시킨다.

정규화는 RECO‑VAR에서 차용한 데이터 반반 분할 방식과, 공분산 행렬의 대각 성분을 이용한 R_Σ를 적용한다. 정규화 벡터 r_l을 element‑wise 곱으로 구현해 v_j에 대한 L2 제약을 부여함으로써 과적합을 방지하고, 최종 Σ는 SVD를 통해 정규 직교화한다.

실험에서는 합성 데이터(known ground truth)와 실제 바이오 분자(예: 80S 리보솜, 트랜스포트 단백질)에서 SOLVAR가 주요 변이 모드(첫 번째·두 번째 고유벡터)를 정확히 복원하고, 기존 RECO‑VAR·CryoDRGN2 대비 연산 시간은 2~3배 가량 단축되었음을 보고한다. 또한 최신 Heterogeneity Benchmark에서 최고 점수를 획득해 실용적 우수성을 입증한다.

요약하면, SOLVAR는 (1) 저‑랭크 공분산 모델링, (2) 효율적인 스토캐스틱 최적화, (3) 자세 공동 추정, (4) 유연한 투영 연산 구현이라는 네 가지 핵심 혁신을 결합해 cryo‑EM 연속 이질성 분석의 현재 한계를 크게 뛰어넘는다.