Visualizing Reaction Pathways via Reciprocal Space Kinetic Decomposition

Proteine sind die Arbeitspferde des Lebens, winzige molekulare Maschinen, die sich falten, drehen und verschieben, um Aufgaben wie das Einfangen von Sonnenlicht, die Reparatur der DNA oder das Senden von Signalen zwischen Zellen zu erfüllen. Um zu verstehen, wie sie funktionieren, müssen Wissenschaftler sie in Bewegung sehen, nicht nur als statische Statuen. Seit Jahrzehnten nutzen Forscher eine Technik namens zeitaufgelöste serielle Kristallographie, um Schnappschüsse dieser Bewegungen zu machen. Indem sie eine Reaktion in einem Kristall aus Proteinmolekülen mit einem Lichtblitz auslösen und sie dann zu präzisen Zeitpunkten danach mit Röntgenstrahlen treffen, können sie einen Film der strukturellen Veränderungen aufnehmen. Diese Filme sind jedoch oft unscharf. Das Signal der eigentlichen Bewegung ist häufig in einem Meer von Rauschen begraben, und da die Reaktion so schnell abläuft, erfasst die Kamera gleichzeitig eine Mischung aus verschiedenen Stadien, was es schwierig macht, genau zu bestimmen, wie das Molekül zu einem einzelnen Zeitpunkt aussieht.

Ein Forschungsteam der Universität Uppsala in Schweden hat einen neuen Weg entwickelt, um diese unscharfen Bilder zu schärfen und die gemischten Stadien der Reaktion zu trennen. Anstatt zu versuchen, die Bilder erst nach der Aufnahme zu bereinigen, haben sie eine Methode entwickelt, um die Daten zu sortieren, noch bevor die Bilder überhaupt entstehen. Ihr Ansatz, der in einem kürzlich erschienenen Preprint beschrieben wird, ermöglicht es Wissenschaftlern, die überlappenden Signale verschiedener Molekülformen, die gleichzeitig während einer Reaktion existieren, mathematisch zu entwirren. Durch die Durchführung direkt im Rohdatenformat, das in Röntgenexperimenten verwendet wird, können sie die distinkten Strukturen von Zwischenzuständen – jener flüchtigen, kurzen Formen, die ein Protein während seiner Bewegung von Anfang bis Ende annimmt – isolieren und klare, hochwertige Karten von jedem einzelnen davon erstellen.

Die Herausforderung, die das Team adressierte, besteht darin, dass ein Protein bei einer Reaktion nicht instantan von einer Form in die andere springt. Es durchläuft eine Serie von Zwischenzuständen, und in einem Kristall befinden sich Millionen von Molekülen gleichzeitig an unterschiedlichen Punkten dieser Reise. Die gesammelten Röntgendaten zu einem gegebenen Moment sind ein gewichteter Durchschnitt all dieser verschiedenen Formen. Traditionelle Methoden versuchen, diese Formen zu trennen, nachdem die Röntgendaten in eine visuelle Karte der Elektronendichte umgewandelt wurden, aber dieser Prozess verliert oft wichtige statistische Details und macht es schwierig, die endgültigen Atommodelle zu verfeinern. Die neue Methode, die von Lukas Grunewald, Petra Meszaros und Sebastian Westenhoff entwickelt wurde, kehrt diesen Prozess um. Sie führen die Trennung direkt an den rohen Röntgenmessungen durch, wodurch die statistischen Informationen intakt bleiben, sodass die endgültigen Strukturen mit den Standard-Hochpräzisionswerkzeugen der Kristallographie analysiert werden können.

Um ihre Idee zu testen, erstellte das Team zunächst einen simulierten Datensatz basierend auf einem bekannten Protein namens photoaktives gelbes Protein. Sie generierten Daten, die eine Reaktion mit vier distinkten Zwischenzuständen nachahmten, und fügten variierende Mengen an Rauschen hinzu, um zu sehen, ob ihre Methode die wahren Formen immer noch finden konnte. Die Ergebnisse waren beeindruckend: Selbst wenn die Daten extrem verrauscht waren, konnte der Algorithmus die vier separaten Zustände erfolgreich rekonstruieren. Die rekonstruierten Karten entsprachen mit hoher Präzision der bekannten Grundwahrheit (Ground Truth), was bewies, dass die Methode klare Signale aus einem chaotischen Mix extrahieren kann. Diese Simulation zeigte, dass die Technik in der Lage ist, zwischen Zuständen zu unterscheiden, die sich zeitlich erheblich überschneiden – eine Aufgabe, die mit bisherigen Ansätzen als äußerst schwierig gilt.

Ermutigt durch die Simulation, wandte das Team seine Methode auf reale experimentelle Daten eines bakteriellen Phytochrom-Proteins an, einem lichtempfindlichen Molekül, das eine Rolle dabei spielt, wie Pflanzen und Bakterien ihre Umgebung wahrnehmen. Dieser Datensatz enthielt 17 verschiedene Zeitpunkte, die von Femtosekunden bis Mikrosekunden nach dem Auslösen der Reaktion reichten. Unter Verwendung eines kinetischen Modells, das aus separaten spektroskopischen Messungen abgeleitet wurde, um die Trennung zu leiten, dekonvolutierten sie die Daten in vier distinkte Zustände. Das Ergebnis war ein Satz aus vier sauberen Differenzkarten, die jeweils die einzigartigen strukturellen Veränderungen eines spezifischen Zwischenzustands zeigen. In den rohen, gemischten Daten waren bestimmte Merkmale verborgen oder verschwommen, da sie mit anderen Zuständen gemittelt wurden. In den getrennten Karten traten diese Merkmale klar hervor. Beispielsweise zeigte der Zeitpunkt 1,7 Pikosekunden nach Beginn der Reaktion in den Rohdaten eine verwirrende Mischung von Signalen. Die neue Methode enthüllte, dass dieser Moment tatsächlich eine Mischung aus drei verschiedenen Zuständen war, jeder mit seiner eigenen, distinkten strukturellen Signatur, was es den Forschern ermöglichte, die spezifische Umlagerung von Atomen zu sehen, die sonst unsichtbar geblieben wäre.

Ein entscheidender Vorteil dieses Ansatzes ist, dass er die Unsicherheitsschätzungen der ursprünglichen Messungen bewahrt. In der Röntgenkristallographie ist es entscheidend zu wissen, wie zuverlässig jedes Stück der Daten ist, um genaue Atommodelle zu bauen. Da die neue Methode direkt mit den Rohzahlen arbeitet, führt sie diese Zuverlässigkeitsschätzungen durch den Trennungsprozess fort. Dies bedeutet, dass die resultierenden Karten direkt in Standard-Verfeinerungssoftware eingespeist werden können, um die präzisen Positionen der Atome zu bestimmen – ein Schritt, der mit früheren Methoden, die auf den visuellen Karten operierten, schwierig oder unmöglich war. Das Team stellte fest, dass sich das Signal-Rausch-Verhältnis für die getrennten Zustände signifikant verbesserte; im Durchschnitt war die Klarheit der Daten für jeden Zustand etwa 1,5-mal besser als die der einzelnen Zeitpunkte, aus denen sie abgeleitet wurden.

Die Forscher wiesen auch auf die Einschränkungen ihres derzeitigen Frameworks hin. Die Methode setzt voraus, dass ein bekanntes Modell vorliegt, wie die Reaktion im Zeitverlauf abläuft, wie etwa die Raten, mit denen sich das Protein von einem Zustand zum nächsten bewegt. Diese Information muss aus anderen Experimenten, wie der Spektroskopie, oder aus einer vorläufigen Analyse der Daten stammen. Darüber hinaus setzt die Methode voraus, dass die Reaktion als eine Serie von distinkten Zuständen beschrieben werden kann. In den allerfrühesten Momenten einer Reaktion, wenn sich Atome in einer kontinuierlichen, wellenartigen Bewegung statt in Sprüngen zwischen definierten Formen bewegen, mag diese Annahme nicht zutreffen. Die Autoren schlagen vor, dass es für diese ultraschnellen Momente am besten ist, die Analyse einige hundert Femtosekunden später zu beginnen, sobald sich das System in distinkte Zustände gefestigt hat.

Letztendlich bietet diese Arbeit ein neues Werkzeug für das wachsende Feld der zeitaufgelösten Kristallographie. Indem die Forscher die Trennung der kinetischen Zustände in den reziproken Raum verlagert haben, in dem die Rohdaten existieren, haben sie einen Workflow geschaffen, der mit bestehenden kristallographischen Pipelines kompatibel ist. Dies ermöglicht es Wissenschaftlern, klarere, detailliertere Ansichten transienter molekularer Zwischenzustände zu gewinnen, ohne die statistische Strenge zu verlieren, die nötig ist, um den endgültigen Strukturen zu vertrauen. Die Methode wurde als Open-Source-Software zur Verfügung gestellt, um andere Forscher dazu einzuladen, sie auf ihre eigenen Datensätze anzuwenden und potenziell neue Details über das dynamische Leben von Proteinen zu entdecken.