cryoWEight: Conformational ensembles from cryo-EM particle images with weighted ensemble simulations

Die Biologie ist keine Sammlung statischer Statuen, sondern eine Welt in ständigem, fließendem Bewegungsablauf. Proteine, die molekularen Maschinen, die das Leben antreiben, stehen niemals wirklich still; sie drehen, biegen und verschieben sich zwischen verschiedenen Formen, um ihre Aufgaben zu erfüllen. Zu verstehen, wie sie sich bewegen, ist genauso wichtig wie zu wissen, wie sie aussehen, denn ihre Funktion hängt vollständig von diesen Veränderungen ab. Jahrzehntelang haben Wissenschaftler leistungsstarke Mikroskope verwendet, um hochauflösende Schnappschüsse dieser Moleküle zu machen, indem sie sie in der Zeit einfrieren, um ihre Strukturen zu sehen. Ein einzelnes Foto kann jedoch nicht die ganze Geschichte einer Reise erzählen. Es zeigt, wo sich ein Protein befindet, aber nicht, wie es dorthin gelangte oder wie oft es verschiedene Orte besucht. Um die Lücken zwischen diesen eingefrorenen Momenten zu füllen, nutzen Forscher Computersimulationen, um Proteine bei der Bewegung zu beobachten. Doch diese Simulationen haben oft Schwierigkeiten, die seltenen, groß angelegten Bewegungen einzufangen, die über lange Zeiträume stattfinden, wodurch den Wissenschaftlern unvollständige Bilder davon geliefert werden, wie diese Moleküle tatsächlich arbeiten.

Ein neuer Ansatz namens cryoWEight bietet eine Möglichkeit, diese Lücke zu schließen, indem er das Beste aus beiden Welten kombiniert: die detaillierten Schnappschüsse der Elektronenmikroskopie und die dynamische Bewegung von Computersimulationen. Die Methode wurde von Forschern des Flatiron Institute und der University of California, Irvine, entwickelt, um ein spezifisches Problem zu lösen. Traditionelle Simulationen können zu lange in einer Form feststecken und dadurch die seltenen Übergänge verpassen, die entscheidend für die Funktion sind. Umgekehrt führt der bloße Versuch, eine Simulation zur Übereinstimmung mit experimentellen Bildern zu zwingen, oft zu einer Verzerrung der natürlichen Physik des Moleküls. Das Team entwickelte ein System, das es den experimentellen Daten ermöglicht, die Simulation sanft zu leiten, ohne die Regeln der Physik zu brechen. Sie testeten dieses System an drei verschiedenen Proteinen, die von einer winzigen Kette aus zehn Aminosäuren bis hin zu einem größeren Enzym reichten, und fanden heraus, dass es die Computermodelle erfolgreich zu den im Mikroskop beobachteten Formen steuern konnte, selbst wenn die Simulation an einem völlig anderen Ort begann.

Der Kern dieser Methode beruht auf einer klugen Rückkopplungsschleife. Stellen Sie sich eine Simulation vor, die tausende parallele Pfade durchläuft, wie ein Schwarm von Entdeckern, die sich über eine Landschaft ausbreitet. Einige Pfade wandern in Bereiche, die selten besucht werden, während andere sich in häufig besuchten Stellen drängen. Das cryoWEight-System überprüft diese Entdecker periodisch anhand der realen experimentellen Bilder. Wenn ein Pfad zu einer Form führt, die der Mikroskopaufnahme sehr ähnlich sieht, wird diesem Pfad mehr Bedeutung beigemessen. Wenn ein Pfad zu einer Form führt, die nicht übereinstimmt, wird ihm weniger Bedeutung beigemessen. Dieser Prozess zwingt die Entdecker nicht dazu, sich in eine bestimmte Richtung zu bewegen; stattdessen passt er lediglich das Gewicht ihrer Geschichten an. Die Pfade, die mit den Daten übereinstimmen, werden dann verwendet, um die nächste Runde der Erkundung zu starten, wodurch die Simulation effektiv mit den vielversprechendsten Richtungen genährt wird. Über viele Zyklen hinweg verschiebt sich der Fokus der gesamten Gruppe der Entdeker allmählich und bewegt sich vom Startpunkt hin zu den in den Experimenten beobachteten Zielformen.

Die Forscher validierten diesen Ansatz unter Verwendung von drei unterschiedlichen Proteinen, um sicherzustellen, dass er über verschiedene Komplexitätsstufen hinweg funktioniert. Das erste war Chignolin, ein winziges synthetisches Protein, das sich zu einer einfachen Haarnadelstruktur faltet. Sie begannen mit einer Simulation des gefalteten Zustands und baten das System, den entfalteten Zustand zu finden, der durch eine Reihe experimenteller Bilder definiert war. Innerhalb weniger Zyklen bewegte das System das Protein erfolgreich von seiner kompakten, gefalteten Form in die ausgedehnte, entfaltete Form und entsprach dabei perfekt der experimentellen Verteilung. Der zweite Test betraf ein etwas größeres Protein namens NTL9, das sich von einer entfalteten Kette in eine stabile Struktur faltet. Hier funktionierte der Prozess umgekehrt: Ausgehend von der entfalteten Kette leitete das System die Simulation zum gefalteten Zustand, wobei es die experimentellen Daten wieder mit hoher Präzision traf.

Der komplexeste Test wurde an der Adenylatkinase durchgeführt, einem großen Enzym, das als zellulärer Energiemanager fungiert. Dieses Protein besitzt die einzigartige Fähigkeit, zwischen einer geschlossenen Form, in der es seinen Brennstoff festhält, und einer offenen Form, in der es ihn freigibt, zu schwingen. Diese Bewegung beinhaltet das Biegen und Rotieren großer Teile des Moleküls. Die Forscher starteten die Simulation im geschlossenen Zustand und nutzten Bilder des offenen Zustands, um sie zu leiten. Das System trieb das Protein erfolgreich durch den Übergang und erfasste dabei die spezifischen Zwischenformen, die es beim Öffnen durchläuft. Entscheidend war, dass der Pfad, den die Simulation einschlug, dem natürlichen Weg entsprach, der in langen, unvoreingenommenen Computerläufen beobachtet wurde, was bewies, dass die Methode das Protein nicht einfach nur in eine neue Form zwang, sondern den korrekten Weg dorthin fand.

Eine der bedeutendsten Erkenntnisse war, dass diese Methode auch dann funktioniert, wenn der Startpunkt und das Ziel völlig unterschiedlich sind. In vielen früheren Versuchen scheiterte eine Simulation, wenn sie in einem Bereich des Formenraums startete, der keine Überschneidung mit dem Ziel hatte. cryoWEight konnte diese Lücke jedoch überbrücken. Durch die Verwendung der experimentellen Bilder zur Umgewichtung der Pfade konnte das System neue Formen generieren, die in den ursprünglichen Startdaten nie vorhanden waren. Dies gelang ihm, indem es erkannte, welche Formen mit höherer Wahrscheinlichkeit die beobachteten Bilder erzeugen würden, und diese Formen dann nutzte, um die weitere Erkundung zu leiten. Dies ermöglichte es der Simulation, hohe Energiebarrieren zu überwinden, die in einem Standardlauf normalerweise unüberwindbar wären.

Die Studie untersuchte auch, wie viel Information aus den experimentellen Bildern benötigt wird, damit die Methode funktioniert. Sie testeten das System mit Bildern mit unterschiedlichen Klarheitsgraden, wobei sie Bedingungen simulierten, in denen das Signal sehr stark ist, sowie Bedingungen, in denen es im Rauschen verborgen liegt. Wenn die Bilder klar waren, konvergierte das System schnell zu den korrekten Formen. Wenn die Bilder sehr verrauscht waren, scheiterte das System dabei, das Ziel zu finden, was bestätigte, dass die Führung von den Daten selbst ausgeht und nicht von einer internen Voreingenommenheit der Simulation. Diese Sensitivität gegenüber der Qualität der Daten ist eine Stärke, da sie sicherstellt, dass die Ergebnisse durch die tatsächlichen experimentellen Belege getrieben werden.

Darüber hinaus zeigten die Forscher, dass die Methode robust gegenüber der Art und Weise ist, wie der Simulationsraum unterteilt wird. Der Computer muss die komplexe Landschaft der möglichen Formen in kleinere Regionen unterteilen, um die Berechnungen zu bewältigen. Sie testeten verschiedene Möglichkeiten, diese Grenzen zu ziehen, und fanden heraus, dass das Endergebnis unabhängig davon war, wie die Karte gezeichnet wurde. Dies deutet darauf hin, dass die Methode zuverlässig ist und nicht von willkürlichen Entscheidungen der Forscher abhängt. Es wurde auch demonstriert, dass das System Mischungen verschiedener Formen wiederherstellen kann. Als das Ziel eine Kombination aus gefalteten und entfalteten Zuständen war, reproduzierte die Simulation korrekt das Verhältnis dieser Zustände, was zeigt, dass sie komplexe Szenarien mit mehreren Zuständen bewältigen kann.

Die Auswirkungen dieser Arbeit gehen über diese drei Proteine hinaus. Das Framework ist so konzipiert, dass es flexibel anwendbar ist, was bedeutet, dass es auf andere Arten von experimentellen Daten angewendet werden kann, wie etwa aus der Kernspinresonanzspektroskopie oder der Röntgenstreuung, nicht nur auf die Elektronenmikroskopie. Der entscheidende Punkt ist, dass das System die Wahrscheinlichkeit eines Bildes nutzt, um die Simulation zu leiten – ein Prinzip, das auf jede Beobachtbare anwendbar ist, die eine Zielverteilung definiert. Während die aktuellen Tests mit synthetischen Bildern durchgeführt wurden, die aus bekannten Strukturen generiert wurden, merken die Autoren an, dass die Methode bereit für die Anwendung auf reale experimentelle Daten ist. Dies würde es Wissenschaftlern ermöglichen, tatsächliche Mikroskopaufnahmen eines Proteins in Aktion zu nehmen und diese zu nutzen, um ein dynamisches Modell davon zu erstellen, wie dieses Protein sich bewegt und funktioniert.

Durch die Integration experimenteller Schnappschüsse mit der Kraft verbesserter Sampling-Simulationen bietet cryoWEight einen neuen Weg, die unsichtbare Dynamik der Maschinerie des Lebens zu sehen. Es ersetzt weder die Notwendigkeit hochwertiger experimenteller Daten noch die Notwendigkeit präziser physikalischer Modelle. Stattdessen fungiert es als Brücke, die die Daten nutzt, um die Modelle zu korrigieren, und die Modelle, um die Lücken in den Daten zu füllen. Das Ergebnis ist ein vollständigeres Bild davon, wie Proteine arbeiten, indem die Wege, die sie nehmen, und die Zustände, die sie besuchen, offenbart werden. Während sich das Feld der Untersuchung größerer und komplexerer molekularer Anordnungen bewegt, werden Werkzeuge wie dieses essenziell sein, um statische Bilder in dynamische Erzählungen biologischer Funktionen zu verwandeln.