SOLVAR: 저해상도 공분산을 빠르게 추정하고 자세를 동시에 정교화하는 새로운 방법

본 논문은 cryo‑EM 단일 입자 분석에서 연속적인 구조 변이를 정량화하기 위한 새로운 알고리즘 SOLVAR를 제안한다. 기존 방법은 두 가지 큰 제약에 직면한다. 첫째, 구조 변이를 설명하기 위해 필요한 공분산 행렬 Σ가 N³×N³ 차원으로, 메모리와 연산량이 비현실적으로 크다. 둘째, 모든 공분산 기반 기법은 사전에 추정된 입자 자세를 입력으로 요구하고, 이를 다시 정교화할 수 없는 구조적 한계가 있다. SOLVAR는 이러한 문제를 동시에 해결한다. 1. **문제 설정 및 모델링** 입자 이미지 Y_i는 2‑D 투영 연산자 P_i와 잡음 e_i의 합으로 표현된다(식 1,2). 자세 (φ_i, t_i)는 P_i에 내재한다. 구조 변이는 평균 μ와 저‑랭크 공분산 Σ로 모델링되며, 각 개별 부피 X_i는 μ와 Σ의 가우시안 샘플로 가정한다. 2. **저‑랭크 공분산 추정** Σ를 r개의 고유벡터 v_j의 외적 합으로 표현한다(Σ=∑_{j=1}^r v_j v_j*). 이 가정 하에 기존 최소제곱식(식 5)을 v_j에 대한 직접 최적화 문제 f_LS(v₁,…,v_r)로 변형한다(식 6). 목적함수는 이미지 잔차의 4제곱, 투영된 고유벡터 간 내적, 정규화 항 등을 포함한다. 3. **효율적인 최적화** 목적함수의 미분식(식 7)은 P_i와 P_i*만을 필요로 하므로, FFT 기반의 보간 혹은 NUFFT를 이용해 빠르게 계산할 수 있다. 따라서 미니배치 SGD를 적용해 O(K·(n r² N² + (n m /B) r² N³)) 복잡도로 최적화한다. 이는 기존 EM 기반 PPCA나 RECO‑VAR보다 메모리 사용량을 크게 줄이고, 고해상도(N≈200)에서도 실시간에 근접한 학습을 가능하게 한다. 4. **자세 공동 추정** 단순 LS 기반 공동 최적화가 실패한다는 경험적 관찰에 따라, 논문은 Gaussian 가정 하에 최대우도 추정식(식 8)을 도입한다. Σ를 저‑랭크 형태로 치환하면, 로그 행렬식과 역행렬 연산이 V V* 형태로 축소되어 효율적으로 계산된다. 자세 파라미터는 P_i 내부에 포함되므로, SGD 단계에서 회전·이동 파라미터에 대한 경사도 동시에 업데이트한다. 이 접근은 자세 오차를 크게 감소시키고, 최종 고유벡터의 품질을 향상시킨다. 5. **정규화 및 직교화** RECO‑VAR에서 차용한 데이터 반반 분할 정규화와, 공분산 행렬 대각 성분을 이용한 R_Σ를 적용한다. 정규화 벡터 r_l을 element‑wise 곱으로 구현해 v_j에 L2 제약을 부여함으로써 과적합을 방지한다. 최종 Σ는 SVD를 통해 직교화한다. 6. **실험 및 벤치마크** 합성 데이터에서는 알려진 고유벡터와 거의 동일한 결과를 얻었으며, 실제 80S 리보솜, 트랜스포트 단백질 데이터에서도 주요 변이 모드(첫 번째·두 번째 고유벡터)를 정확히 복원했다. 연산 시간은 기존 RECO‑VAR 대비 2~3배 가량 단축되었고, 최신 Heterogeneity Benchmark에서 최고 점수를 기록했다. 또한 CryoDRGN2와 비교했을 때, 자세 정교화가 가능한 점에서 구조 해상도가 유의미하게 향상되었다. 7. **의의와 한계** SOLVAR는 (1) 저‑랭크 공분산 모델링, (2) 스토캐스틱 최적화, (3) 자세 공동 추정, (4) 유연한 투영 연산 구현이라는 네 가지 핵심 요소를 결합함으로써 cryo‑EM 연속 이질성 분석의 기존 한계를 크게 뛰어넘는다. 다만 Gaussian 이질성 가정이 물리적으로 완벽히 타당하지 않을 수 있으며, 매우 높은 차원의 변이를 다룰 경우 r 선택이 성능에 크게 영향을 미친다. 향후 연구에서는 비선형 변이 모델과 자동 r 선택 메커니즘을 도입할 여지가 있다.