A meta-algorithm for ab initio reconstruction of complex mixtures in cryo-EM
Dieses Paper führt einen systematischen Meta-Algorithmus zur *ab initio*-Rekonstruktion komplexer Kryo-EM-Gemische ein, die Dutzende verschiedener Spezies enthalten, wobei eine hohe Genauigkeit auf Benchmark-Datensätzen erreicht und die erfolgreiche Rekonstruktion von ribosomalen Assemblierungszuständen aus ungefilterten experimentellen Daten demonstriert wird.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
In der stillen, gefrorenen Dunkelheit eines Laborgefrierschranks versuchen Wissenschaftler, die unsichtbare Maschinerie des Lebens zu sehen. Sie verwenden eine Technik namens Kryo-Elektronenmikroskopie, bei der ein Wassertropfen, der winzige biologische Moleküle enthält, schockgefroren wird, damit diese keine Eiskristalle bilden, die sie beschädigen könnten. Einmal eingefroren, werden diese Moleküle mit Elektronen beschossen, um tausende von unscharfen, zweidimensionalen Bildern zu erzeugen. Das Ziel besteht darin, diese flachen, verrauschten Schnappschüsse zusammenzufügen und zu einem scharfen, dreidimensionalen Modell des Moleküls zu rekonstruieren. Dieser Prozess ist vergleichbar mit dem Versuch, eine zerbrochene Vase aus einem Haufen zerbrochener Scherben wieder zusammenzusetzen, aber mit einer Besonderheit: Die Scherben sind alle in verschiedene Richtungen gerichtet, und der Haufen enthält oft Teile von vielen verschiedenen Vasen, die miteinander vermischt sind. Jahrelang funktionierte diese Methode wunderbar für reine Proben, bei denen jedes Molekül identisch ist. Doch die Natur ist selten so ordentlich. Reale biologische Proben enthalten oft eine chaotische Suppe aus verschiedenen molekularen Formen und Größen, was es herkömmlichen Computerprogrammen nahezu unmöglich macht, diese zu sortieren und ein klares Bild von einem einzelnen Molekül zu erstellen.
Ein Forschungsteam der Princeton University und der University of California, Berkeley hat einen neuen Weg entwickelt, um dieses Chaos zu bewältigen. Sie erkannten, dass ein einzelnes Computerprogramm zwar bei der Sortierung einer komplexen Mischung perfekt scheitern kann, aber selten völlig nutzlos ist. Selbst ein fehlgeschlagener Versuch der Sortierung liefert meist einige richtige Ergebnisse, nur eben nicht alle. Die Forscher behandelten diese unvollkommenen Versuche als schwache Signale. Anstatt sich auf einen einzigen leistungsstarken, perfekten Durchlauf zu verlassen, ließen sie den Sortierprozess hunderte Male mit leicht unterschiedlichen Einstellungen und zufälligen Startpunkten laufen. Jeder Durchlauf lieferte eine grobe, teilweise Karte darüber, wie die Moleküle gruppiert sein könnten. Das Team entwickelte daraufhin ein System, um all diese verschiedenen Stimmen gleichzeitig zu hören. Durch den Vergleich der Ergebnisse jedes einzelnen Durchlaufs konnten sie sehen, welche Moleküle konsistent zusammen gruppiert wurden und welche nicht. Dieser Prozess des Kombinierens vieler schwacher, unvollkommener Vermutungen ermöglichte es ihnen, eine starke, präzise Endkarte zu erstellen, die kein einzelner Versuch allein hätte hervorbringen können.
Die Leistungsfähigkeit dieses Ansatzes wurde an einem massiven Datensatz namens Tomotwin-100 getestet, der Bilder von einhundert verschiedenen molekularen Strukturen enthält, die miteinander vermischt sind. In der Vergangenheit konnten Computerprogramme aus einer solch komplexen Mischung nicht einmal von Grund auf Sinn lesen. Die neue Methode hingegen konnte die Partikel mit bemerkenswerter Präzision sortieren. Bei einer Teilmenge von fünfundvierzig verschiedenen Typen identifizierte das System die Gruppe für nahezu jedes Partikel korrekt. Beim vollständigen Satz von einhundert Typen lieferte es immer noch zu drei Vierteln das richtige Ergebnis. Dies ist ein bedeutender Fortschritt, da bisherige Methoden Schwierigkeiten hatten, selbst eine Handvoll gemischter Typen zu bewältigen. Die Forscher wandten ihre Technik auch auf ein reales Experiment mit Ribosomen an, den Proteinfabriken der Zelle. Ohne die Daten manuell zu bereinigen oder unerwünschte Trümmer vorab zu entfernen, trennte ihr System automatisch die verschiedenen Stadien der Ribosomen-Assemblierung vom Abfall und enthüllte klare, hochauflösende Strukturen jedes Stadiums.
Was diese Entdeckung besonders wichtig macht, ist, dass sie die Art und Weise verändert, wie Wissenschaftler mit schwierigen Daten umgehen. Zuvor mussten Forscher auf Versuch und Irrtum vertrauen, Experimente immer wieder durchführen, die Ergebnisse manuell inspizieren und hoffen, zufällig auf eine nützliche Gruppierung zu stoßen. Dies war ein langsamer, arbeitsintensiver Prozess, der sich schlecht skalieren ließ, wenn die Mischungen komplexer wurden. Die neue Methode ersetzt dieses Raten durch einen systematischen Arbeitsablauf, der automatisiert werden kann. Sie erfordert keine neue Hardware und keine komplette Umschreibung bestehender Software; stattdessen fungiert sie als Meta-Algorithmus, der viele Standard-Aufgaben orchestriert, damit diese zusammenarbeiten. Die Forscher fanden heraus, dass sich die Genauigkeit der Ergebnisse verbesserte, wenn sie mehr Rechenleistung hinzufügten, was darauf hindeutet, dass dieser Ansatz auch in Zukunft noch komplexere Mischungen bewältigen kann. Indem sie ein chaotisches Problem durch die kollektive Weisheit vieler einfacher Versuche in ein handhabbares Problem verwandelten, öffnet diese Arbeit die Tür dazu, biologische Proben genau so zu untersuchen, wie sie in der Natur vorkommen – voller Vielfalt und Komplexität, statt nur in den gereinigten, vereinfachten Versionen, die zuvor möglich waren.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.