Atomic Force Microscopy(AFM) can reveal the upper surface of biomolecules such as proteins at a resolution of less than 1nm. It doesn’t describe much about the individual atoms, but it gives a good approximation of the surface. So, combining this high resolution surface information with low resolution 3-Dimensional information obtained through x-ray crystallography can give a more accurate and complete 3-Dimensional information of the biomolecule structure. However, the image obtained through AFM has only some surface information, not the whole, and the shape of biomolecules is very similar. Therefore, unless the user is adept technician it is difficult to know exactly what biomolecule it is and which part of biomolecule it is. In this study, we have studied to classify amino acid AFM data automatically by using deep learning which shows high performance in image classification and segmentation. The training data was simulated by the AFM scan method of the program Microscope Simulator 1.3.1, and about 400,000 random amino acid AFM scanning images were generated through simulation. The network using VGGNet was used for learning, and as a result, accurate amino acid AFM image classification was possible with accuracy of about 93.5%.
원자힘 현미경을 이용하면 단백질과 같은 생분자의 표면 정보를 나노미터 이하의 높은 해상도로 얻을 수 있다. 이러한 높은 해상도의 표면 정보를 X선 결정학을 통해 얻은 상대적으로 낮은 해상도의 3차원 정보와 결합하면 더욱 정밀하고 정확한 분석이 가능하다. 하지만 원자힘 현미경을 통해 얻은 영상은 전체가 아닌 일부의 표면의 정보만 있으므로 형태가 유사한 생분자의 경우 숙달된 기술자가 아니라면 어떤 생분자의 어느 부분인지에 대한 정보를 정확히 알기 어렵다. 본 연구에서는 원자힘 현미경을 통해 얻은 3차원 아미노산의 부분 표면 영상을 높이 정보를 픽셀 값으로 하는 2차원 영상으로 고칠 수 있다는 것을 이용해 2차원 영상의 분류, 분할 등에서 높은 성과를 보여주고 있는 심층학습을 활용해 원자힘 현미경 영상의 분류를 시행하였다. 학습에 사용한 자료는 Microscope Simulator 1.3.1이라는 프로그램의 원자힘 현미경 영상 획득 방법을 모사하여 시뮬레이션을 통해 약 40만 개의 무작위 아미노산 부분 영상을 만들었으며 VGGNet을 응용한 학습 네트워크를 구성하여 학습하였다. 그 결과 93.5%이상의 정확도로 아미노산 부분 영상을 분류할 수 있게 되었다.
