Using spIsoNet to address the preferred-orientation problem in cryoEM reconstructions

Stellen Sie sich vor, Sie versuchen, ein perfektes 3D-Modell eines winzigen, komplizierten Objekts, wie etwa eines Virus, nur mithilfe flacher, 2D-Fotografien zu erstellen. Im Grunde ist dies das, was Wissenschaftler mit der Kryo-Elektronenmikroskopie (cryoEM) machen. Sie frieren biologische Moleküle ein und machen tausende Fotos aus verschiedenen Blickwinkeln, um daraus eine 3D-Struktur zusammenzusetzen.

Es gibt jedoch ein häufiges Problem: Diese mikroskopischen Moleküle verhalten sich oft wie ein Haufen Münzen, die auf einen Tisch geworfen wurden. Anstatt in zufälligen Orientierungen zu landen, neigen sie dazu, sich alle auf die gleiche Weise an das Glasobjektekt zu heften (so als würden alle Münzen mit der Kopfseite nach oben landen). In der Arbeit wird dies als „bevorzugte Orientierung“ (preferred orientation) bezeichnet.

Da die Moleküle alle in die gleiche Richtung zeigen, entsteht eine „blinde Stelle“. Man hat zwar viele Fotos von oben und unten, aber fast keine von den Seiten. Wenn man versucht, das 3D-Modell daraus zu bauen, wird das Ergebnis verzerrt – wie eine Skulptur, die aus einem Winkel scharf aussieht, aus einem anderen jedoch verschwommen und in die Länge gezogen wirkt. Dies ist das erwähnte „anisotrope Artefakt“ im Abstract. Schlimmer noch: Wenn der Computer versucht, die Ausrichtung dieser Fotos zu korrigieren, verwirrt ihn das Fehlen der Winkel, und er macht das Modell sogar noch schlechter.

Hier kommt spIsoNet ins Spiel: Das digitale „Entschärfungs“-Werkzeug

Die Arbeit stellt ein neues Software-Tool namens spIsoNet vor. Stellen Sie sich dies als einen intelligenten, selbstlernenden digitalen Assistenten vor, der mittels Deep Learning (einer Form der künstlichen Intelligenz) diese verzerrten 3D-Modelle korrigiert. Er benötigt keinen Lehrer; er lernt, indem er die Daten selbst analysiert.

Die Autoren zeigen zwei Hauptwege auf, wie dieses Tool hilft, wobei sie ein spezifisches Virusprotein (Influenza-Hämagglutinin) als Testfall verwenden:

1. Der „Map-Fixer“ (Anisotropie-Korrektur): Stellen Sie sich vor, Sie haben ein verschwommenes, verzerrtes Foto eines Gesichts. Dieser Workflow nimmt die verzerrte 3D-Map und „staucht“ sie mathematisch wieder in ihre korrekte, runde Form zurück, wobei die fehlenden Details ergänzt werden, sodass die Struktur wieder natürlich aussieht.
2. Der „Pose-Korrektor“ (Fehlausrichtungs-Korrektur): Dieser Workflow setzt früher im Prozess an. Er hilft dem Computer zu erkennen: „Hey, dieses Teil ist eigentlich geneigt“, und richtet die 2D-Fotos korrekt aus, bevor das 3D-Modell erstellt wird. Dies ist besonders hilfreich, wenn das „Münzhaufen-Problem“ schwerwiegend ist.

Die praktische Anwendung

Die Arbeit ist im Wesentlichen eine „Bedienungsanleitung“. Sie führt den Nutzer durch:

• Installation: Wie man die Software einrichtet.
• Einstellungen: Welche Regler man für verschiedene Arten von Problemen drehen muss.
• Qualitätskontrollen: Wie man feststellt, ob die Korrektur tatsächlich funktioniert hat.
• Fehlerbehebung: Was zu tun ist, wenn etwas schiefgeht.

Die Autoren haben dies an zwei verschiedenen Versionen des Influenza-Virusproteins getestet: einer mit einem leichten Orientierungsproblem und einer mit einem schweren. In beiden Fällen konnte spIsoNet die Daten erfolgreich bereinigen.

Das Fazentelem

Wenn Sie einen leistungsstarken Computer besitzen (speziell einen mit vier High-End-Grafikkarten, wie etwa NVIDIA A100s), können Sie diesen gesamten Prozess in etwa 7 Stunden durchlaufen. Die Arbeit kommt zu dem Schluss, dass spIsoNet eine praktische Open-Source-Lösung ist, die es Wissenschaftlern ermöglicht, hochwertige 3D-Strukturen aus Experimenten zu retten, die andernfalls aufgrund davon gescheitert wären, dass die Moleküle sich auf die falsche Weise an das Glas heften. Es verwandelt ein „schlechtes Winkel“-Problem in ein lösbares Puzzle.