The CAHRA Challenge: A Community-Wide Assessment of Cryo-EM Heterogeneous Reconstruction Algorithms

Um die inneren Abläufe des Lebens zu verstehen, wenden sich Wissenschaftler oft einer Technik namens Kryo-Elektronenmikroskopie zu. Stellen Sie sich vor, Sie machen ein Foto einer einzigen, winzigen Maschine aus Proteinen, aber die Maschine ist so schnell in einer dünnen Eisschicht eingefroren, dass sie sich nicht bewegen oder zerbrechen kann. Da diese Maschinen so klein sind, ist ein einzelnes Foto nur ein verschwommener, zweidimensionaler Schatten. Um die Maschine zu verstehen, müssen Forscher tausende dieser verschwommenen Bilder aus verschiedenen Blickwinkeln aufnehmen und einen Computer verwenden, um sie zu einem klaren, dreidimensionalen Modell zusammenzufügen. Dieser Prozess hat die Biologie revolutioniert und ermöglicht es uns, die atomare Struktur von Viren, Enzymen und anderen essenziellen Molekülen zu sehen. Echte biologische Maschinen sind jedoch selten statisch; sie wackeln, biegen sich und verändern ihre Form, während sie arbeiten. Wenn ein Datensatz eine Mischung aus diesen verschiedenen Formen oder sogar verschiedenen Arten von Molekülen enthält, hat der Computer Schwierigkeiten zu entscheiden, welches Bild zu welcher Version der Maschine gehört. Dies macht es unglaublich schwierig, die wahre, bewegliche Geschichte des Moleküls zu rekonstruieren.

Im Jahr 2026 startete ein Team von Forschern der Princeton University, des Flatiron Institute und anderer Institutionen einen globalen Test, um zu sehen, wie gut aktuelle Computerprogramme dieses spezifische Problem lösen können. Sie nannten ihn die CAHRA Challenge, einen gemeinschaftsweiten Vergleich, der darauf ausgelegt ist, die Fähigkeit verschiedener Algorithmen zu messen, diese komplexen Mischungen zu entwirren. Die Organisatoren ließen die Wissenschaftler nicht einfach nur raten; sie entwickelten drei unterschiedliche, streng kontrollierte Testfälle, bei denen die richtigen Antworten nur den Erstellern bekannt waren. Diese Tests deckten die drei Hauptwege ab, auf denen Moleküle kompliziert werden: wenn eine Probe eine Mischung aus verschiedenen Spezies enthält, wenn sich ein einzelnes Molekül durch einen kontinuierlichen Bereich von Formen bewegt oder wenn der Winkel, aus dem ein Molekül betrachtet wird, seine wahre Form verbirgt. Durch den Vergleich der Leistung verschiedener Teams gegenüber diesen bekannten Wahrheiten lieferte die Challenge eine klare Karte darüber, wo der Stand der Technik liegt und wo er sich verbessern muss.

Der erste Test konzentrierte sich auf einen überfüllten Raum mit verschiedenen Molekülen. Die Forscher nahmen vier verschiedene Proteinkomplexe – Alkoholdehydrogenase, Aldolase, Glutamatdehydrogenase und Pyruvatkinase – die in Größe und Form ähnlich sind. Sie fügten zudem zwei andere Proteine hinzu, Gamma-Globulin und Beta-Amylase, die als Ablenkungen dienten, da sie beschädigt waren oder flache Schichten bildeten, die nicht in 3D-Modelle rekonstruiert werden konnten. Alle wurden in einen einzigen Datensatz mit über 1,6 Millionen Partikelbildern gemischt. Die Herausforderung für die Teilnehmer bestand darin, aus diesem ungeordneten Haufen von Bildern herauszufinden, welche Bilder zu den vier Hauptzielen gehörten, und dann für jedes davon ein klares 3D-Modell zu erstellen, ohne vorher gesagt bekommen zu haben, was die Ziele waren. Um die Aufgabe noch schwieriger zu machen, simulierten die Forscher Strahlenschäden, indem sie die Bilder in qualitativ hochwertige und qualitativ minderwertige Gruppen aufteilten, was die Algorithmen zwang, zwischen einem Molekül, das leicht beschädigt ist, und einem, das einfach ein anderer Typ Molekül ist, zu unterscheiden.

Der zweite Test entfernte sich von der Mischung verschiedener Spezies und konzentrierte sich stattdessen auf ein einzelnes Molekül, das seine Form verändert. Die Forscher nutzten eine Computersimulation eines menschlichen Enzyms namens Präsequenz-Protease, das sich wie ein Tor öffnet und schließt. Sie hielten das Molekül in 100 verschiedenen Stadien dieser Bewegung fest und erzeugten so einen glatten Übergang von einem offenen in einen geschlossenen Zustand. Aus diesen 100 Schnappschüssen generierten sie über 1,7 Millionen simulierte Bilder. Das Ziel für die Teilnehmer war nicht nur zu sehen, dass sich das Molekül bewegt, sondern eine Reihe von Atommodellen – detaillierte Blaupausen der Atome – zu erstellen, die diesen gesamten Bewegungsbereich genau beschreiben. Im Gegensatz zum ersten Test, bei dem es darum ging, unterschiedliche Gruppen zu trennen, erforderte dieser Test von den Algorithmen, einen kontinuierlichen Fluss der Veränderung zu verstehen und diesen in präzise Strukturmodelle zu übersetzen.

Der dritte Test befasste sich mit einem kniffligen Problem, das als Pose-Entanglement (Stellung-Verwicklung) bekannt ist. In echten Experimenten landen Moleküle oft bevorzugt in bestimmten Orientierungen auf dem Mikroskop-Objektträger, wodurch andere Winkel leer bleiben. Wenn ein Molekül sich entlang derselben Achse verändert, die in den Daten fehlt, könnte der Computer den fehlenden Winkel mit einer Formänderung verwechseln oder umgekehrt. Um dies zu testen, simulierten die Forscher Bilder eines ringförmigen Kanals namens CALHM2, der einen offenen und einen geschlossenen Zustand besitzt. Sie stellten sicher, dass die Bilder stark auf eine Seitenansicht verzerrt waren, was es sehr schwierig macht, den Unterschied zwischen dem offenen und dem geschlossenen Zustand zu erkennen. Der Datensatz enthielt 30.000 Partikel mit einem bekannten Verhältnis von offenen zu geschlossenen Zuständen, aber den Teilnehmern wurde weder das Verhältnis noch die korrekten Winkel mitgeteilt. Sie mussten bestimmen, ob ihre Methoden in der Lage waren, korrekt zu zählen, wie viele Moleküle offen versus geschlossen waren, selbst wenn die Betrachtungswinkel den Unterschied nahezu unsichtbar machten.

Die Ergebnisse dieser Challenge, die sieben Monate lang lief und Beiträge von Forschern aus der ganzen Welt erhielt, sollen voraussichtlich in einem Workshop in Oxfordshire später im Jahr 2026 ausgewertet werden. Obwohl das Paper die Gewinner noch nicht auflistet, bietet das Design der Challenge selbst einen klaren Weg nach vorne. Es führt das Feld über einfache Vergleiche der Auflösung hinaus und zwingt Entwickler, sich mit der unordentlichen Realität experimenteller Daten auseinanderzusetzen. Die Organisatoren hoffen, dass die Community durch die Bereitstellung dieser standardisierten „Ground-Truth“-Datensätze Workflows entwickeln kann, die effizienter sind und weniger manuelle Feinabstimmung erfordern. Dies ist entscheidend für die Zukunft des Feldes, da Wissenschaftler dazu übergehen, komplexere Proben zu untersuchen, wie etwa Moleküle innerhalb lebender Zellen oder solche, die ihre Form in Echtzeit verändern. Die CAHRA Challenge dient als strenger Benchmark und stellt sicher, dass die Werkzeuge, die zur Visualisierung der Maschinerie des Lebens verwendet werden, so zuverlässig sind wie die Wissenschaft, die sie enthüllen wollen.