Command Palette
Search for a command to run...
膜分離から粒子同定まで、深層学習フレームワーク「MemBrain v2」が冷凍電子顕微鏡解析の全工程を統合し、解析速度と処理スループットを大幅に向上させる
冷凍電子トモグラフィー（cryo-electron tomography、cryo-ET）は、生細胞内の分子環境をサブナノメートル分解能で三次元イメージングできる強力な技術であり、オルガネラや膜構造、大分子複合体の研究に独自の視点を提供します。しかし、cryo-ETが捉える生物学的複雑さはデータ注釈および分析において大きな課題をもたらし、特に低い信号対雑音比、欠落楔アーティファクト（missing wedge artifacts）、そして膜関連粒子の複雑さにより、膜構造の分析は依然としてcryo-ET研究効率を制限する重要なボトルネックとなっています。
過去には研究者によってTomoSegMemTV、U-Net、TARDISなど複数のツールが開発されてきましたが、異なる手法は往々にして膜セグメンテーション、粒子位置決め、または膜幾何学分析といった個別のプロセスのみに対応しており、包括的なワークフローが不足していました。深層学習アプローチもまた別の選択肢を示しています。近年では、cryo-ETデータ中で粒子を検出するために多数の畳み込みニューラルネットワーク（CNN）ベースの方法が提案されていますが、これらの多くは大規模な手動アノテーション付きボクセルデータセットへの依存度が非常に高く、そのような作業は時間がかかるだけでなく、実務的に実施するのが困難です。
このような状況下、ヘルムホルツ・ミュンヘンセンター、チューリッヒ工科大学、バーゼル大学バイオセンターからなる共同研究チームは、上記のタスクを一貫したより簡潔かつ効率的な分析パイプラインへと統合する深層学習基盤フレームワークであるMemBrain v2を発表しました。
具体的には、MemBrain-segは多様性に富む協同生成型トレーニングデータセットと特化したモデル訓練戦略を活用し、様々なトモグラフィ撮影条件下でも高い汎用性を備えた膜構造セグメンテーションを実現します。一方、MemBrain-pickは幾何制約と深層学習を組み合わせて膜結合粒子を高データ効率で検出し、これにより大規模な人手によるアノテーションデータの必要性を削減します。さらにMemBrain-statsは空間分布指標の算出を通じて粒子配置に関する定量的解析を行い、膜内での粒子組織パターンを解明するのに役立ちます。全体として、MemBrain v2 は凍結電顕トモグラフィ処理プロセスへシームレスに組み込むことができ、膜構造解析に対して使いやすく構造化された高機能ソリューションを提供します。
関連研究成果は、「MemBrain v2: an end-to-end tool for the analysis of membranes in cryo-electron tomography」というタイトルでNature Methods誌に掲載されました。
主な発見ポイント：
- MemBrain v2 は膜構造セグメンテーション、粒子位置決め、統計分析を含むエンドツーエンド型の膜解析パイプライン構築しました。
- MemBrain v2 では従来のDice係数よりも膜構造の位相連続性に対する感度が高い Surface-Dice 指標を導入しました。
- 多機能性と利便性の両立を図ることで、MemBrain v2 が提供する直感的な解決策を用いることにより多種類のデータソースに応用可能となり、研究者たちがより広範な生物学的問いを探求できるよう支援します。
論文アドレス：
https://www.nature.com/articles/s41592-026-03178-8
ホウレンソウからクロレラまで：継続的に更新されるデータセット
深層学習モデルにとって、MemBrain v2 で注目すべき点は単なるネットワーク構造そのものではなく、背後にあるトレーニングデータ構築法にあります。本研究グループは単一の情報源からのデータだけに頼らず、アクティブラーニングのような反復的手法を採用することで常に最も難しいケースを見つけ出し、それを人間の手修正を経て再度訓練集合に戻すというサイクルを実践しました。
当初プロジェクトで使用したのはホウレンソウ(Spinacia oleracea)由来の膜構造断片(パッチ)でした。これらは最初にTomoSegMemTVにて自動標識されていました。その後MITK Workbenchを使って各パッチを手動補正することになり、それぞれのサイズは160個ボクセルとなっており、それぞれ background(背景)、membrane(膜)、ignore の三種類に分けてタグ付けされました。この繰り返しの精製工程の結果最終的に正確にマークアップ済みのホウレンズ葉緑体内69枚のパッチを得ることができました。
次に異なる撮像条件や装置間における一般化性能向上を目指してEMPIAR-11830 から得られたChlamydomonas reinhardtii(ライニアルイモコカエ)サンプルにも適用範囲を広げました。二つの群間で撮影設定違いがあったため初期段階において前者ほど良好な結果が出ませんでした。そこで改善目的として計33点について再評価を実施しそれらを含めるとチラコイド膜ミトコンドリアゴルジ体などの領域が含まれるようになりました。
最後に外部環境向け適応力強化のために他機関との連携も行いました。協力先側にて独自保有資料上で検証しながら問題箇所特定後改めて修正版差し替え依頼を出しました厳格品質管理通過後に追加取得分合計二十七件含まれておりこれらが全体的分散度を高めることに寄与しました。
モデルの性能をさらに向上させるため、研究チームは既存の少数の利用可能な公開膜構造セグメンテーションデータソースも活用しました。まず、オープンソースのトモグラフィーシミュレータであるPolNetとCryoTomoSimを使用して、合計40個の膜構造パッチ（各シミュレータからそれぞれ20個ずつ）を生成しました。また、外部研究者によって注釈が付けられたデータセットも統合し、公開されているDeePiCtデータセット（EMPIAR-10988）から信頼性の高い膜構造セグメンテーションパッチ15個を取得しました。これらの領域はすべて、初期段階でのMemBrain-segのパフォーマンスが悪かった部分から選択されており、これにより訓練データの多様性がさらに高まりました。
MemBrain v2：エンドツーエンドの膜解析パイプライン
MemBrain v2 は、以下に示すようにモジュール式の解析パイプラインであり、cryo-ET データセットにおける膜構造および関連粒子の解析を簡素化する目的で設計されています。その中心的な役割を果たす三つのコアモジュール—MemBrain-seg、MemBrain-pick、そして MemBrain-stats — が連携して動作し、膜構造のセグメンテーション、粒子の同定、ならびに定量的な解析を実現します。
MemBrain-seg：汎用性のある膜構造セグメンテーション手法
MemBrain-seg（下図参照）はU-Netに基づくプログラムであり、単一のコマンドを実行することで、入力された断層像から三次元膜構造のセグメンテーション結果を生成することができます。このモデルは、多様性に富み反復的に最適化されたデータセットを用いて学習されました。このデータセットは、精細な手動によるアノテーションと修正を経て作成され、異なる種類や形態を持つあらゆるタイプの膜構造をカバーできることを保証するために、研究コミュニティとの緊密な協力のもとで構築されました。同時に、研究チームはネットワークトレーニングプロセスにおいて、冷凍電子線トモグラフィの特徴に適したデータ拡張手法および膜構造特異的な損失関数を導入しました。これらの戦略により、膜構造が正確かつ連続的に描画されるようになり、後続の可視化やダウンストリーム解析が容易になります。
MemBrain-pick：膜関連粒子の高効率な位置特定のためのインタラクティブツール
MemBrain-pick（下図参照）は、膜結合タンパク質などの膜関連粒子を高効率に位置特定することを専門としています。研究チームはニューラルネットワーキングを直接膜面上で実行するように訓練しており、これによりモデルは予測過程に膜幾何学を取り込むことができ、探索空間を狭めつつ、位置精度とデータ利用率の両方を高めることができます。本モジュールはSurforamaのようなNapariベースのインタラクティブツールとも統合されており、研究者が迅速にアノテーションを行い粒子的配置を調整することが可能となります。さらに、真値(Ground Truth)データ生成とモデル間のスムーズな移行をサポートしています。
MemBrain-stats：粒子分布に関する定量的評価
一方、MemBrain-statsではMemBrain-seg と MemBrain-pick の出力を利用し、膜表面における粒子の分布について定量的な評価を行います。このモジュールでは、以下の指標を含む主要パラメータ計算が可能となっています(下図参照)。具体的には、濃度・測地線最短隣接距離(geodesic nearest-neighbor distance)、リプリー統計(Ripley's statistic)などがあります。膜形状情報と組織パターン情報を結びつけることで、MemBrain-stats は研究者に対し、cryo-ET データ内にある膜構造とその周囲環境間での構造的機能的関係を探求するための支援役として機能します。
MemBrain-stats で得られたビジュアライゼーション例
MemBrain v2 では柔軟性を確保しつつ使いやすさを追求するため、全体構成をモジュール形式にて実装しています。フレームワーク自体はシンプルながら強力な CLI インターフェースを持ち、加えて Napari プラグインへの完全互換性を持たせることにより対話的操作及びビジュアル表示に対応しています。
MemBrain v2 大幅改善された処理スピード＆スループット
研究者たちは MemBrain-stats を使って推論されたチラコイド膜上の粒子配列状態を計測し、以前発表済み報告書に記載されていたスタック状チラコイド全体的な測定値と比較検討を行いました。(下図 g ) その結果、ホウレンソウの場合既に論文等に掲載済みのものと同じレベルの数値が出揃いました。つまり当実験条件下において単位面積当たりの存在数は約1,688個となり、他方過去の文献記載によれば1,714個/m㎡程度だったことが確認できました。一方クロレラ属生物に関しても今回の試算値の方が若干大きめの傾向が見受けられました。例えばChlamydomonas reinhardtii旧株系統における算出結果としては毎立方マイクロメートルあたり約千四百九十二個前後という数字になったものの、それ以前の調査成果によると一千二百九十二個/m³程度しかないとされていました。
全体として、この簡略化されたMemBrain v2ワークフローは、積層型チラコイド膜の解析において、従来の手動解析と同様の成果を上げつつも、処理速度とスループットを大幅に向上させました。研究者たちはさらにこのワークフローを活用し、ペプチドタンパク質複合体（フィコビリソーム）やリボソームなど、他の種類の膜結合性粒子の高次組織様式についても解析を行いました。
テスト応用：チラコイド膜上のフィコビリソームの組織化
研究者らは、MemBrain v2を高解像度の紅藻葉緑体の冷凍電子トモグラフィーデータセット（EMD-31244）に応用しました。これにより、本手法がフィコビリソーム鎖の粒子位置とその空間分布パターンをいかに効率的に抽出できるかが示されました（下図参照）。
第一段階の処理では、MemBrain-segはすべてのチラコイド膜に対して明確で分離されており精度の高いセグメンテーション結果を生じました（上図b）。その後、研究者らはMemBrain lassoツールを用いて連結成分解析を実行し、全体のセグメンテーション結果から個々の膜構造インスタンスを抽出し、Surforama上で可視化しました。このインタラクティブな可視化インターフェースのおかげで、研究者らは選択した6つの膜構造インスタンス内にあるフィコビリソーム鎖ユニットの位置を手動で注釈付けできました（上図c）。これらの手動決定された位置は後ほどGT（正解ラベル）データとして用いられ、MemBrain-pickモデルの訓練に使われました。モデル訓練完了後、MemBrain-pickはトモグラム内の残りの23枚の膜に適用され、トモグラム全域でのフィコビリソーム位置を検出し出すことに成功しました。予測結果によると、フィコビリソームは膜表面に沿って明らかな周期的配列を示していました（上図d）。
このような空間的な組織化について定量的な解析を行うため、研究者らはさらにMemBrain-statsを利用してRipley's K関数を計算しました。その結果、フィコビリソームの間には規則的な間隔があり、約35nmであることが確認されました（上図e）。この周期性は以前の手動測定値である34.5nmと非常に良く一致しており、自動化された方法の有効性を証明するものとなりました。
テスト応用：核膜上のポリリボソーム鎖の組織化
MemBrain v2のもう一つのエンドツーエンド応用例において、研究者らは核膜外膜上のリボソーム分布を解析し、リボソームの局在および向きのパターンを特定することを目指しました。細胞核周辺領域を含むトモグラムの解析時に、MemBrain-segは核膜ならびにそれを取り巻く全細胞質膜構造を正確にセグメント分けしました（下図a）。続いて研究者らはMemBrain lassoツールを使って興味深い対象となる核膜構造を抽出し、Surforama上で可視化したことで、GTリボソーム位置の効率良い注釈付けが可能になりました（下図b）。
リボソームの自動配置を実現するために、まず13枚の膜構造を手動で注釈付けしてMemBrain-pickモデルを訓練し、その後該当モデルを使用して残り79枚の膜構造について予測を行いました。合計4,515箇所のリボソーム位置が検出されました（予測例を下図cに示す）。
これらの予測結果を検証するため、研究者らはSTOPGAPを用いたサブトムogram平均法（STA）を実施しました。最終的に得られた構造的イメージは、膜に結合しているリボソームを鮮明に描き出しています（下図d）。そこにはまた、膜貫通型のTRAP複合体を表す密度シグナルも含んでいました。平均構造の中にはやや不明瞭な周辺の密度も見受けられました。これらはおそらく隣接するリボソームに対応すると考えられます。これは粒子配置の結果に関する空間分布を観察することで裏付けることができます（下図e）。MemBrain-statsからの出力に基づき、研究者らは近傍間角度、距離、そして鎖連続性等といった制約条件を総合的に考慮することで、ポリリボソーム鎖を抽出することが可能でした。
d、STA結果。左側画像：サブトムogram平均結果であり、膜に結合したリボソームを示しています
e、左側画像：最も近い三つまでの邻居(3-NN)との最小角ヒストグラム*
元のトモグラムから始めて最終的にはポリリボソーム鎖まで同定に至るという一連の流れを持つMemBrainによるエンドツーエンド解析プロセスは、異なる生物種におけるリボソーム生物学の研究促進に資することが期待されます。
まとめ
もちろん、MemBrain v2 も限界がないわけではありません。そのパフォーマンスは依然として学習データの多様性、膜様の非標的结构、およびクライオ電子トモグラフィー（cryo-ET）自体のコントラストとノイズレベルによって制約されており、シグナルが弱い粒子や遮蔽された粒子、さらには強い膜密度に隠れやすい小型の統合型膜タンパク質の正確な識別については課題が残っています。また、セグメンテーションの厚さが必ずしも実際の生物学的な膜の厚さと一致するわけでもありません。
将来、さらに学習データを拡張し、TomoTwin などの補完的なツールと組み合わせることで、異なる膜構造やタンパク質複合体に対する適用可能性を高めることが期待されます。より重要なのは、MemBrain v2 が膜セグメンテーション、パーティクル位置決め、空間定量的解析をオープンで使いやすく、拡張性の高いワークフローに統合しており、STAR、STA、Surface Morphometrics といった解析パイプラインとも互換性を有している点です。データやツールの共有により多くの研究チームが参加することで、これらのAI手法はクライオETによる複雑な三次元データの解析ハードルを一層下げ、手作業に基づく経験頼りの画像認識から、自動化・大規模化・再現性が確保された定量的解析へと研究を進めることを後押しすると考えられます。
参考文献：
https://phys.org/news/2026-09-ai-automates-3d-membrane-manual.html
https://phys.org/news/2026-09-ai-automates-3d-membrane-manual.html