Cryo-EM image processing of amyloid filaments in RELION-5.1

Die Autoren stellen in RELION-5.1 neue Werkzeuge zur automatisierten Bildverarbeitung von Amyloid-Filamenten vor, darunter ein automatischer Picker, ein Workflow für die Echtzeit-Vorverarbeitung, ein Werkzeug zur Klassifizierung von Filamenttypen und ein Denoising-Neuronales Netz, deren Nutzen sie anhand von zwei experimentellen Datensätzen, einschließlich hIAPP, demonstrieren.

Das Wesentliche

🧶 Das große Puzzle: Wie man Amyloid-Fäden mit einem neuen Werkzeug entschlüsselt

Stell dir vor, du hast einen riesigen Haufen von winzigen, verworrenen Schnürsenkeln (das sind die Amyloid-Filamente). Diese Schnürsenkel sind oft an Krankheiten wie Alzheimer beteiligt, aber manchmal auch ganz nützlich. Die Wissenschaftler wollen herausfinden, wie diese Schnürsenkel genau aussehen, um zu verstehen, wie sie funktionieren.

Das Problem: Diese Schnürsenkel sind extrem dünn, lang und sehen alle fast gleich aus. Wenn man sie mit einem Elektronenmikroskop (einem super-starken Fernglas) fotografiert, sind die Bilder sehr verrauscht und unscharf. Es ist, als würdest du versuchen, ein einzelnes Fadenstück in einem dichten Nebel zu erkennen.

Die Autoren dieser Studie haben für das Software-Paket RELION (ein Werkzeug, das wie ein digitaler Bildbearbeiter für Mikroskop-Bilder funktioniert) vier neue, geniale Werkzeuge entwickelt, um dieses Puzzle zu lösen.

Hier sind die vier neuen Helfer, einfach erklärt:

1. Der „Faden-Schnüffler" (Der automatische Faden-Auffinder)

Früher mussten Menschen stundenlang vor dem Bildschirm sitzen und versuchen, diese dünnen Fäden auf den Bildern zu finden. Das ist mühsam und fehleranfällig.

• Die neue Lösung: Die Forscher haben einen Algorithmus gebaut, der wie ein Hund mit einer super-scharfen Nase ist. Er sucht nicht nach dem ganzen Faden, sondern nach einem ganz spezifischen Muster: Alle Amyloid-Fäden haben eine winzige, sich wiederholende Struktur (wie ein Zahnrad), die genau alle 4,75 Ångström (eine winzige Einheit) vorkommt.
• Der Vergleich: Stell dir vor, du suchst in einem Wald nach Bäumen, die alle genau die gleiche Rindenmusterung haben. Der neue „Schnüffler" ignoriert alles andere (wie Gras oder Steine) und sucht nur nach diesem spezifischen Muster. Wenn er es findet, markiert er den Faden automatisch.

2. Der „Sortier-Automat" (Die intelligente Trennung)

Oft sind in einem Bild nicht nur eine Art von Faden, sondern eine Mischung aus verschiedenen Typen (z. B. dicke, dünne, gebogene oder gerade). Wenn man sie alle zusammenwirft, entsteht am Ende ein unscharfes, unbrauchbares Bild.

• Die neue Lösung: Die Software schaut sich an, welche Fäden in welche „Gruppen" (Klassen) passen. Sie nutzt eine Art „bi-hierarchisches Clustering".
• Der Vergleich: Stell dir vor, du hast einen Haufen aus roten, blauen und grünen Lego-Steinen, die alle durcheinander geworfen wurden. Ein normaler Computer würde sie einfach mischen. Dieser neue Sortier-Automat schaut sich aber an: „Aha, alle roten Steine kommen von Faden A, alle blauen von Faden B." Er sortiert sie nicht nur nach Farbe, sondern ordnet sie so an, dass man sofort sieht: „Oh, hier sind drei verschiedene Arten von Fäden vermischt!" So kann man sie sauber trennen, bevor man sie weiterverarbeitet.

3. Der „Rausch-Filter" (Das spezielle Entschärfungs-Netzwerk)

Wenn man aus den Mikroskop-Bildern ein 3D-Modell baut, passiert oft ein Fehler: Die Software erfindet Details, die gar nicht da sind (man nennt das „Overfitting" oder „Halluzinieren"). Es ist wie bei einem Foto, das so stark bearbeitet wurde, dass man plötzlich Gesichter in den Wolken sieht.

• Die neue Lösung: Die Forscher haben eine künstliche Intelligenz (ein neuronales Netz) trainiert, die speziell auf Amyloid-Fäden spezialisiert ist. Sie haben ihr gezeigt, wie diese Fäden wirklich aussehen sollten.
• Der Vergleich: Stell dir vor, du hast einen alten, verrauschten Radiosender. Ein normaler Filter entfernt das Rauschen, macht die Musik aber auch etwas dumpf. Dieser neue Filter wurde aber speziell für diese eine Band trainiert. Er weiß genau, wie die Instrumente klingen müssen, und entfernt nur das Rauschen, während die Musik klar und scharf bleibt. Das Ergebnis sind viel schärfere 3D-Bilder der Fäden.

4. Der „Live-Stream-Modus" (Die automatische Vorverarbeitung)

Früher musste man warten, bis alle Bilder gemacht waren, und dann alles manuell starten.

• Die neue Lösung: Die Software läuft jetzt wie ein automatischer Assistent. Sobald ein neues Bild vom Mikroskop kommt, wird es sofort bearbeitet, die Fäden werden gesucht und sortiert.
• Der Vergleich: Es ist wie ein Koch, der schon schneidet und würfelt, während das Essen noch im Ofen gart. Sobald die Daten da sind, ist die Vorarbeit schon erledigt.

Was haben sie damit erreicht?

Die Forscher haben diese neuen Werkzeuge an zwei echten Beispielen getestet:

1. Tau-Fäden (Alzheimer): Hier lief alles glatt. Die Software fand die Fäden sofort und baute ein super-scharfes 3D-Modell.
2. IAPP-Fäden (Diabetes): Das war schwieriger. Hier gab es viele verschiedene Faden-Typen. Dank des neuen Sortier-Automaten fanden sie zwei völlig neue Arten von Fäden, die vorher niemand gesehen hatte.

Ein wichtiger Nebeneffekt:
Sie stellten fest, dass die Fäden, die der neue „Faden-Schnüffler" nicht gefunden hat (weil sie kein klares Muster zeigten), auch nicht gut genug für eine hochauflösende Analyse waren. Das bedeutet: Der neue automatische Finder ist sogar besser als ein menschlicher Experte, der mit der Hand sucht, weil er nur die „guten" Fäden auswählt und die kaputten oder unordentlichen ignoriert.

Fazit

Diese Studie ist wie ein neues, hochmodernes Werkzeugset für Forscher. Es macht die Suche nach den winzigen, krankheitsauslösenden Fäden schneller, genauer und weniger fehleranfällig. Das ist ein riesiger Schritt, um besser zu verstehen, wie Krankheiten wie Alzheimer oder Diabetes entstehen, und vielleicht eines Tages bessere Medikamente zu entwickeln.

Kurz gesagt: Sie haben den Computer so trainiert, dass er die Nadeln im Heuhaufen nicht nur findet, sondern auch sortiert und poliert, bevor wir sie überhaupt ansehen müssen.

Technische Zusammenfassung

Titel: Cryo-EM-Bildverarbeitung von Amyloid-Filamenten in RELION-5.1

Autoren: Lövestam, Shi, Li et al. (MRC Laboratory of Molecular Biology, Cambridge)
Veröffentlichung: Preprint, März 2026 (RELION-5.1 Release)

---

1. Problemstellung

Die Bestimmung atomarer Strukturen von Amyloid-Filamenten mittels Elektronen-Kryomikroskopie (Cryo-EM) bleibt trotz der "Resolution Revolution" herausfordernd. Die Hauptprobleme sind:

• Fehlende niedrigfrequente Merkmale: Amyloide weisen entlang ihrer helikalen Achse kaum niedrigfrequente strukturelle Merkmale auf, was die Ausrichtung (Alignment) erschwert.
• Lokale Minima: Helikale Rekonstruktionen neigen dazu, in falschen lokalen Minima stecken zu bleiben, was zu fehlerhaften Lösungen führt.
• Strukturelle Heterogenität: Ein einzelnes Protein kann mehrere verschiedene Amyloid-Konformationen einnehmen. Cryo-EM-Datensätze enthalten oft Mischungen verschiedener Filamenttypen, die getrennt werden müssen, um eine zuverlässige Rekonstruktion zu ermöglichen.
• Limitierte Automatisierung: Bisherige Methoden zur automatischen Filament-Picking und zur Trennung heterogener Datensätze waren oft unzureichend oder erforderten manuelle Eingriffe.

2. Methodik und neue Werkzeuge in RELION-5.1

Die Autoren stellen einen umfassenden Workflow vor, der in das Open-Source-Paket RELION-5.1 integriert ist und speziell für Amyloid-Filamente optimiert wurde:

A. Amyloid-spezifischer automatischer Filament-Picker

• Prinzip: Das Tool nutzt das charakteristische Fourier-Signal von Amyloiden bei ca. 4,75 Å (Wiederholung der β-Faltblatt-Strukturen).
• Algorithmus:
  • Mikroskope werden auf eine Pixelgröße von 2,1 Å herunterskaliert.
  • Es werden 1D-Arrays in 36 Richtungen extrahiert und deren Fourier-Transformierte berechnet.
  • Die Leistung (Power) im Bereich von 4,65–4,85 Å wird akkumuliert.
  • Ein Z-Score wird berechnet, um das Signal-Rausch-Verhältnis zu bewerten.
  • Eis-Kontaminations-Filter: Z-Scores im Bereich 4,2–4,4 Å werden genutzt, um Artefakte durch Eiskristalle zu unterdrücken.
  • Ein modifiziertes U-Net-Neurales Netz (mit Instance Normalization und GELU-Aktivierungsfunktion) verarbeitet die "Figure-of-Merit" (FOM) und "PSI" (Rotation) Karten, um Filamente zu segmentieren und zu skizzieren.
• Ausgabe: Die Ergebnisse werden in RELION STAR-Dateien gespeichert, die gekrümmte Filamente als Sequenzen linearer Segmente darstellen.

B. Automatisierte Vorverarbeitungs-Pipelines (Schemes)

• amyprep: Führt auf CPUs eine iterative Vorverarbeitung durch (Import, Motion Correction, CTF-Schätzung, Auto-Picking, Subset-Selektion). Mikroskope ohne Amyloid-Signal (basierend auf FOM-Skewness) werden automatisch verworfen.
• amyproc: Läuft parallel auf GPUs und führt die eigentliche Filament-Verfolgung durch das neuronale Netz sowie die Partikel-Extraktion und 2D-Klassifizierung durch. Dies ermöglicht eine "On-the-Fly"-Verarbeitung während der Datenerfassung.

C. Graphisches Tool zur Filament-Typ-Selektion (Bi-hierarchisches Clustering)

• Konzept: Basierend auf der Beobachtung, dass Segmente eines einzelnen Filaments meist zum selben Filamenttyp gehören.
• Methode: Statt K-Means (wie beim CHEP-Algorithmus) wird eine bi-hierarchische Clusteranalyse (mit seaborn und SciPy) auf einer Matrix aus (2D-Klassen-ID × Filament-ID) durchgeführt.
• Vorteil: Dies visualisiert die strukturelle Heterogenität direkt. Verschiedene Filamenttypen bilden klare Blöcke in der Clusterkarte, was eine intuitive manuelle Auswahl von Subsets für die 3D-Rekonstruktion ermöglicht.

D. Amyloid-spezifisches Denoising-Netzwerk für Blush-Regularisierung

• Hintergrund: Die allgemeine "Blush"-Regularisierung (ein Denoising-Netzwerk) wurde bisher auf globulären Proteinen trainiert und versagte oft bei schwierigen Amyloid-Datensätzen.
• Verbesserung: Das Netzwerk wurde neu trainiert auf einem Datensatz von 318 Amyloid-Rekonstruktionen (aus der Amyloid Atlas und EMDB).
• Anpassungen:
  • Einschränkung der Rotations-Augmentierung auf 90-Grad-Drehungen um die helikale Achse.
  • Berücksichtigung der Tatsache, dass Amyloid-Rekonstruktionen die gesamte Box in Z-Richtung füllen.
  • Vermeidung von Anisotropie-Augmentierung.
• Ziel: Verhinderung von Overfitting und "Halluzinieren" von hochauflösenden Merkmalen bei niedrigen Signal-Rausch-Verhältnissen.

3. Ergebnisse

Die neuen Werkzeuge wurden an zwei Datensätzen validiert:

A. Rekombinantes PAD12-Tau (Paarhelikale Filamente)

• Ein relativ einfacher Datensatz (651 Mikroskope).
• Die Pipeline lieferte vollständig automatisiert 2D-Klassen und eine 3D-Rekonstruktion.
• Ergebnis: Eine finale Auflösung von 3,2 Å wurde erreicht. Die amyloid-spezifische Blush-Regularisierung lieferte hier qualitativ hochwertige Karten, die denen ohne Regularisierung oder mit Standard-Regularisierung ähnlich waren (da das Signal-Rausch-Verhältnis bereits hoch war).

B. Rekombinantes hIAPP S20G (Humanes Islet Amyloid Polypeptid)

• Ein komplexerer, zeitlich aufgelöster Datensatz (925 Mikroskope) mit bekannter Heterogenität.
• Herausforderung: Nicht alle Filamente zeigten ein starkes 4,75 Å-Signal. Der automatische Picker ignorierte diese, während manuell nachverfolgte Filamente (ohne starkes FOM-Signal) zwar 2D-Klassen lieferten, aber bei der 3D-Rekonstruktion bei ca. 4,8 Å steckengeblieben sind und keine Auflösung der Amyloid-Schichten zeigten.
• Kluster-Analyse: Das bi-hierarchische Clustering identifizierte acht verschiedene Cluster.
• Neue Entdeckungen: Durch die Trennung der Cluster und anschließende Verfeinerung wurden zwei neue Filamentstrukturen entdeckt, die in der vorherigen Literatur (Ref 29) nicht beschrieben waren:
  • 3PFLU: Drei Protofilamente (zwei L-förmig, eines U-förmig).
  • 3PFLJ: Drei Protofilamente (zwei L-förmig, eines J-förmig).
• Die Auflösung dieser neuen Strukturen lag zwischen 3,0 und 3,6 Å.

C. Validierung der Blush-Regularisierung

• Bei schwierigen Datensätzen (z. B. Pick-Krankheit-gekeimtes Tau) führte die Standard-Blush-Regularisierung zu "punktierten" Dichten (dotty appearance) entlang der Hauptkette.
• Die amyloid-spezifische Blush-Regularisierung eliminierte diese Artefakte und lieferte eine zusammenhängende Hauptketten-Dichte mit besserer Seitenketten-Auflösung.

4. Bedeutung und Fazit

• Automatisierung und Objektivität: Die Einführung von amyprep und amyproc ermöglicht eine vollständig automatisierte Vorverarbeitung von Amyloid-Daten, was die Reproduzierbarkeit erhöht und manuelle Eingriffe minimiert.
• Effiziente Heterogenitäts-Trennung: Das bi-hierarchische Clustering-Tool bietet einen robusten Weg, um verschiedene Filamenttypen in gemischten Datensätzen zu identifizieren und zu trennen, was für die Entdeckung seltener Konformationen entscheidend ist.
• Verbesserte Rekonstruktion: Das neu trainierte, amyloid-spezifische Denoising-Netzwerk verhindert Overfitting bei schwierigen Datensätzen und ermöglicht die Bestimmung von Strukturen, die mit Standardmethoden nicht lösbar waren.
• Qualitätskontrolle: Die Studie zeigt, dass Filamente ohne starkes 4,75 Å-Fourier-Signal zwar sichtbar sind, aber für hochauflösende Rekonstruktionen ungeeignet sind, was die Notwendigkeit des neuen Picking-Algorithmus unterstreicht.

Die Autoren betonen, dass trotz dieser Fortschritte die Gefahr, in lokalen Minima stecken zu bleiben, besteht. Daher sollten de-novo-Modelle nur bei Auflösungen besser als 4 Å und bei Vorliegen erwarteter struktureller Merkmale (Trennung der Hauptkette entlang der helikalen Achse) akzeptiert werden. Die neuen Tools in RELION-5.1 erweitern jedoch die Grenzen dessen, was mit Cryo-EM an komplexen Amyloid-Systemen möglich ist.