Conformational landscapes in cryo-ET data based on MD simulations

1. El Problema

La criomicroscopía electrónica de tomografía (crio-ET) ofrece una ventana única para visualizar la organización molecular en entornos celulares nativos (in situ). Sin embargo, la interpretación de la información estructural y conformacional enfrenta desafíos significativos:

• Limitaciones intrínsecas de los datos: Ruido alto, bajo relación señal-ruido (SNR) y el "cuña faltante" (missing wedge) debido al rango angular limitado de los datos, lo que distorsiona las reconstrucciones 3D.
• Heterogeneidad conformacional continua: En entornos celulares abarrotados, las moléculas no existen en estados discretos y bien separados, sino que exhiben transiciones conformacionales graduales con muchos estados intermedios.
• Limitaciones de los métodos actuales: Los flujos de trabajo tradicionales dependen de la clasificación en clases discretas y el promediado de clases. Esto oculta diferencias estructurales sutiles entre complejos individuales y es inviable cuando el número de partículas extraídas es pequeño.
• Necesidad de validación física: Existe una necesidad de pasar de la simple determinación de estructuras de baja resolución a la validación e interpretación de la flexibilidad molecular y los paisajes conformacionales continuos, asegurando que los modelos sean físicamente plausibles.

2. Metodología

El artículo revisa y compara enfoques computacionales que integran Simulaciones de Dinámica Molecular (MD) y análisis de modos normales con datos de crio-ET para determinar paisajes conformacionales. Se distinguen dos grandes categorías de métodos:

• Métodos basados en Aprendizaje Profundo (Data-driven):

  • Ejemplos: tomoDRGN, cryoDRGN-ET, cryoDRGN-AI.
  • Funcionamiento: Inferen paisajes conformacionales de baja dimensión a partir de imágenes 2D utilizando redes neuronales.
  • Limitación: Los paisajes se expresan en términos de predicciones de mapas de densidad, no de modelos atómicos o trayectorias explícitas, y carecen de conectividad física directa entre estados.

• Métodos Híbridos basados en Física (MD y Modos Normales):

  • MDTOMO: Extiende el método MDSPACE al crio-ET. Realiza un ajuste flexible (flexible fitting) de modelos atómicos o de grano grueso contra subtomogramas individuales utilizando simulaciones de MD clásicas. Las trayectorias están sesgadas por fuerzas derivadas de la densidad experimental.
    • Ventaja: Proporciona trayectorias con conectividad física real y modelos atómicos explícitos.
    • Manejo de ruido: Utiliza técnicas de muestreo mejorado como el muestreo de paraguas de intercambio de réplicas (REUS) para evitar mínimos locales inducidos por el ruido.
  • HEMNMA-3D: Adapta el análisis de modos normales (basado en modelos de red elástica) a subtomogramas de crio-ET.
    • Ventaja: Es una aproximación rápida que no requiere conocimiento previo de la pose y puede usar mapas de densidad como modelo inicial.
  • Proceso general: Se toman modelos iniciales, se ajustan flexible a cada subtomograma, se alinean y se proyectan en un espacio de baja dimensión (PCA o UMAP) para visualizar el paisaje conformacional continuo.

3. Contribuciones Clave

• Transición de validación a reconstrucción: El artículo marca un cambio de paradigma donde las simulaciones MD ya no son solo herramientas post hoc para validar estructuras estáticas, sino componentes integrados para reconstruir paisajes conformacionales continuos directamente desde datos experimentales.
• MDTOMO como estándar de oro: Se identifica a MDTOMO como el único método actual capaz de reconstruir paisajes conformacionales de alta calidad a nivel atómico utilizando MD clásica completa para datos de crio-ET.
• Puente conceptual entre Cryo-EM y Cryo-ET: Establece la conexión histórica y metodológica entre los métodos desarrollados para microscopía de partícula individual (como HEMNMA y MDSPACE) y su adaptación al contexto de tomografía (HEMNMA-3D y MDTOMO).
• Gestión de la incertidumbre: Propone estrategias para mitigar el ruido, ya sea mediante muestreo mejorado (REUS) durante el ajuste o mediante el promediado local post hoc en regiones densas del paisaje conformacional.

4. Resultados y Aplicaciones Biológicas

El artículo destaca varios estudios de caso donde estos métodos han proporcionado nuevos conocimientos biológicos que eran inaccesibles con el promediado tradicional:

• Glicoproteína Spike de SARS-CoV-2: MDTOMO reveló movimientos independientes de los dominios de unión al receptor (RBD) y del dominio N-terminal, así como la flexibilidad del tallo, mostrando una heterogeneidad continua que el promediado ocultaba.
• Nucleosomas en la cromatina: HEMNMA-3D caracterizó por primera vez in situ los movimientos de "respiración" y "abertura" (gaping) de nucleosomas individuales, validando observaciones manuales previas y proporcionando un modelo dinámico continuo.
• Potenciales futuros: Se sugiere que estos métodos pueden aplicarse a pili de competencia (ciclos de extensión-retracción), capas S de arqueas (adaptación de curvatura) y sistemas motores como la dineína-2, permitiendo relacionar la heterogeneidad estructural con estados mecanoquímicos.

5. Significado y Perspectivas Futuras

• Impacto Científico: Estos enfoques transforman la biología estructural in situ de un estudio de estados discretos a una comprensión de la dinámica molecular continua y los paisajes energéticos dentro de su contexto celular nativo.
• Desafíos Actuales:
  • Escala: Los métodos actuales están limitados a complejos moleculares compactos. Extenderlos a sistemas grandes y compuestos (fibras de cromatina, redes de proteínas de membrana) requiere representaciones multiescala y estrategias de muestreo más eficientes.
  • Calidad de datos: Se necesitan mejoras en la preparación de muestras (fresas de iones enfocados, vitrificación), detectores de electrones directos y corrección de la cuña faltante para mejorar la SNR y la fidelidad de los datos.
• Futuro: La integración de mejoras instrumentales, mayor potencia computacional y el uso de marcos de aprendizaje profundo para el muestreo inicial (seguido de interpretación atómica con MD) promete crear un marco unificado para describir la variabilidad estructural y la dinámica de ensamblajes macromoleculares a escala mesoscópica en células vivas.

En resumen, el artículo argumenta que la integración de simulaciones de dinámica molecular con datos de crio-ET es fundamental para desbloquear la verdadera complejidad dinámica de la maquinaria celular, superando las limitaciones de los modelos estáticos y discretos.