Cryo-EM image processing of amyloid filaments in RELION-5.1

Este artículo presenta nuevas herramientas en RELION-5.1 para el procesamiento de imágenes de criomicroscopía electrónica de filamentos amiloides, incluyendo un selector automático, un procedimiento de preprocesamiento en tiempo real, una herramienta gráfica de clasificación y una red neuronal de denoising, demostrando su eficacia mediante la identificación de dos nuevos tipos de filamentos en proteínas hIAPP.

Lo esencial

Imagina que el cerebro y el cuerpo humano son como una ciudad muy compleja. A veces, en esta ciudad, las proteínas (los "ladrillos" de nuestras células) se vuelven locas y se apilan unas sobre otras formando largas cuerdas o "ovillos" llamados filamentos amiloides. Estos ovillos son como el tráfico atascado que causa enfermedades como el Alzheimer o la diabetes.

Para entender cómo arreglar este problema, los científicos necesitan ver estos ovillos con una lupa increíblemente potente llamada microscopio crioelectrónico. Pero hay un problema: ¡es como intentar ver un ovillo de lana en una foto borrosa tomada con una cámara temblorosa!

Este nuevo artículo de los científicos Lövestam, Shi, Li y Scheres (del laboratorio MRC en Cambridge) nos cuenta cómo han creado una "caja de herramientas digital" mágica (dentro de un programa llamado RELION-5.1) para limpiar esas fotos borrosas y ver los ovillos con claridad perfecta.

Aquí te explico sus cuatro grandes inventos con analogías sencillas:

1. El "Detector de Ritmo" (El nuevo buscador automático)

Antes, encontrar estos ovillos en las fotos era como buscar agujas en un pajar, y a veces los científicos se confundían con otros hilos que no eran ovillos.

• El truco: Los ovillos amiloides tienen un secreto: sus "hilos" se repiten exactamente cada 4.75 angstroms (una medida diminuta). Es como si tuvieran un ritmo musical o una huella dactilar específica.
• La herramienta: Han creado un robot que escanea las fotos buscando ese ritmo exacto. Si el ritmo está ahí, el robot marca el ovillo. Si no, lo ignora. Esto evita que el robot se confunda con otras cosas que parecen ovillos pero no lo son.

2. El "Organizador de Librería" (Clasificación automática)

A veces, en una sola foto, hay diferentes tipos de ovillos mezclados (como tener libros de cocina, novelas y manuales técnicos todos juntos en una sola pila). Si intentas estudiarlos todos a la vez, el resultado es un desastre.

• El problema: Los ovillos pueden tener formas ligeramente diferentes (algunos son rectos, otros curvos, algunos tienen 2 hilos, otros 3).
• La herramienta: Han creado un algoritmo que actúa como un bibliotecario muy inteligente. Mira todas las piezas de los ovillos y las agrupa automáticamente: "¡Tú, que eres un ovillo de 3 hilos en forma de L, ve a la estantería A! Y tú, que eres de 2 hilos en forma de P, ve a la estantería B".
• El resultado: En lugar de mezclar todo, ahora tienen grupos puros. ¡Y gracias a esto, descubrieron dos nuevos tipos de ovillos que nadie había visto antes en la diabetes!

3. El "Restaurador de Arte" (La red neuronal especial)

Cuando limpiamos una foto antigua, a veces la computadora intenta "inventar" detalles que no existen para que se vea más bonita, pero eso es falso (como pintar un cuadro con colores que no estaban ahí).

• El problema: Las fotos de los ovillos son muy ruidosas. La herramienta anterior (Blush) era buena para limpiar fotos de objetos redondos (como globos), pero fallaba con los ovillos largos y repetitivos.
• La herramienta: Han entrenado a una Inteligencia Artificial (un "restaurador") específicamente con miles de fotos de ovillos reales. Ahora, cuando la IA ve una foto borrosa, sabe exactamente qué esperar: "Ah, esto es un ovillo, sé que debe tener estas líneas repetidas".
• El resultado: La IA elimina el ruido sin inventar nada falso. Las fotos quedan nítidas y reales, permitiendo ver los detalles de los "ladrillos" individuales que forman el ovillo.

4. El "Tren Automático" (Procesamiento en tiempo real)

Todo esto está conectado en un sistema que funciona como un tren automático.

• En lugar de que un científico tenga que sentarse frente al ordenador día y noche para procesar las fotos, el sistema hace todo solo: toma la foto, busca el ritmo, limpia el ruido, agrupa los ovillos y los ordena.
• Esto significa que los científicos pueden estar recolectando datos en el microscopio y, casi al mismo tiempo, tener los resultados procesados en la computadora. ¡Es como tener una fábrica de análisis que trabaja mientras tú duermes!

¿Por qué es importante?

Gracias a estas herramientas, los científicos pueden ver la estructura de estos ovillos dañinos con una claridad sin precedentes. Es como pasar de ver una silueta borrosa en la niebla a ver cada ladrillo de la pared.

Al entender exactamente cómo están construidos estos ovillos en diferentes enfermedades, los médicos y científicos podrán diseñar medicamentos más precisos que actúen como "llaves" para desarmar esos ovillos o evitar que se formen, ofreciendo nuevas esperanzas para tratar enfermedades neurodegenerativas.

En resumen: Han creado un sistema de limpieza y organización súper inteligente que convierte el caos de las fotos microscópicas en mapas detallados de los enemigos de nuestra salud.

Resumen técnico

Resumen Técnico: Procesamiento de imágenes Cryo-EM de filamentos amiloides en RELION-5.1

1. El Problema
La determinación de estructuras atómicas de filamentos amiloides mediante microscopía electrónica criogénica (cryo-EM) presenta desafíos únicos que dificultan su reconstrucción en comparación con los complejos proteicos globulares:

• Falta de características de baja resolución: La ausencia de características estructurales distintivas a lo largo del eje helicoidal dificulta la alineación precisa de las partículas.
• Mínimos locales erróneos: Los algoritmos de reconstrucción helicoidal tienden a quedar atrapados en mínimos locales incorrectos, generando soluciones erróneas.
• Heterogeneidad estructural: Una misma proteína puede adoptar múltiples conformaciones amiloides distintas, creando mezclas de tipos de filamentos en un mismo conjunto de datos que deben separarse para lograr una reconstrucción fiable.
• Limitaciones de herramientas existentes: Aunque existen avances previos, los métodos de selección de partículas y regularización no están optimizados específicamente para las características repetitivas de los amiloides, lo que a menudo resulta en sobreajuste (overfitting) o reconstrucciones de baja calidad en datos difíciles.

2. Metodología
Los autores presentan una serie de nuevas herramientas integradas en la versión 5.1 del software de código abierto RELION, diseñadas para automatizar y mejorar el procesamiento de datos de amiloides:

• Selector Automático de Filamentos Específico:

  • Se desarrolló un algoritmo que detecta la señal característica de 4.75 Å (el espaciado de las láminas β) en el dominio de Fourier de las micrografías.
  • El proceso implica calcular mapas de "Figura de Mérito" (FOM) y ángulos de rotación (PSI) basados en la potencia acumulada en el rango de 4.65-4.85 Å.
  • Se utiliza una red neuronal con arquitectura U-net modificada (con normalización por instancia y función de activación GELU) entrenada en ~2,000 micrografías para trazar los filamentos a partir de los mapas FOM/PSI.
  • Incluye un filtro para eliminar contaminación por cristales de hielo (basado en la señal de 4.2-4.4 Å).

• Procesamiento Previa Automatizado (Schemes):

  • Se implementaron dos flujos de trabajo (Schemes) en RELION: amyprep (para corrección de movimiento, estimación de CTF y selección de subconjuntos en CPU) y amyproc (para trazado de filamentos con GPU, extracción y clasificación 2D). Esto permite el procesamiento "en tiempo real" (on-the-fly) durante la adquisición de datos.

• Herramienta Gráfica de Selección de Tipos de Filamentos:

  • Basada en el algoritmo CHEP, pero mejorada mediante agrupamiento bi-jerárquico (bi-hierarchical clustering) de una matriz de conteo de partículas (ID de filamento × ID de clase 2D).
  • Aprovecha la observación de que los segmentos de un mismo filamento pertenecen generalmente al mismo tipo estructural. Esto permite visualizar y seleccionar subconjuntos de datos correspondientes a diferentes tipos de filamentos de manera intuitiva.

• Red Neuronal de Denoising Específica para Amiloides (Blush):

  • Se reentrenó la red neuronal "Blush" (anteriormente entrenada en proteínas globulares) utilizando 318 reconstrucciones de amiloides de alta calidad.
  • Se restringió la augmentación de rotaciones a 90° alrededor del eje helicoidal para aprender la periodicidad de 4.75 Å y la extensión de la densidad hasta los bordes de la caja.
  • El objetivo es regularizar las reconstrucciones y prevenir el sobreajuste en datos de bajo contraste.

3. Contribuciones Clave

• Automatización completa: Un pipeline integrado que va desde la micrografía cruda hasta la clasificación 2D sin intervención manual.
• Detección basada en Fourier: Un selector de filamentos que utiliza la firma espectral única de los amiloides (4.75 Å), haciéndolo robusto frente a falsos positivos como filamentos de actina.
• Separación de heterogeneidad: Una herramienta de agrupamiento que facilita la identificación y separación de múltiples tipos de filamentos en conjuntos de datos complejos, evitando la necesidad de múltiples rondas de clasificación 3D.
• Regularización especializada: Una red de denoising optimizada específicamente para la topología helicoidal y repetitiva de los amiloides, superando las limitaciones de las redes de uso general.

4. Resultados
Los autores demostraron la utilidad de estas herramientas en dos conjuntos de datos experimentales:

• Tau PAD12 (Recombinante):

  • Un conjunto de datos "directo" donde el selector automático identificó correctamente la mayoría de los filamentos.
  • Lograron una resolución final de 3.2 Å tras refinamiento con regularización Blush específica, superando la resolución inicial de 4.9 Å.

• hIAPP S20G (Péptido amiloide de islotes humanos):

  • Un conjunto de datos más desafiante y heterogéneo (estudio de ensamblaje in vitro).
  • El agrupamiento bi-jerárquico identificó 8 clusters distintos de filamentos.
  • Se resolvieron estructuras de alta resolución (3.0-3.6 Å) para varios tipos, incluyendo conformaciones en forma de C, L, y dos nuevas estructuras no descritas previamente (3PFLU y 3PFLJ) que contienen tres protofilamentos con conformaciones mixtas (L + U/J).
  • Hallazgo crítico sobre la señal FOM: Los filamentos que no mostraron una señal fuerte de 4.75 Å (y por tanto no fueron seleccionados automáticamente) produjeron reconstrucciones 3D que se estancaron a ~4.8 Å, incapaces de resolver las capas amiloides. Esto sugiere que la falta de señal de 4.75 Å indica un desorden estructural real, validando la superioridad del selector automático sobre el trazado manual para reconstrucciones de alta resolución.

• Validación de Regularización:

  • En datos difíciles (como filamentos de Tau sembrados con patología de Pick), la regularización Blush estándar producía densidades "punteadas" (dotty) y artefactos. La versión específica para amiloides eliminó estos artefactos, proporcionando cadenas principales conectadas y densidad de cadenas laterales clara.

5. Significado
Este trabajo representa un avance significativo en la criomicroscopía electrónica de amiloides al:

1. Estandarizar el flujo de trabajo: Reduce la subjetividad y el tiempo de procesamiento mediante pipelines automatizados, facilitando estudios de alto rendimiento.
2. Mejorar la resolución y fiabilidad: La regularización específica y la selección basada en la señal espectral permiten obtener modelos atómicos de novo en conjuntos de datos que anteriormente eran intractables o propensos a errores.
3. Descubrir nueva diversidad estructural: La capacidad de separar automáticamente tipos de filamentos raros o intermedios ha llevado al descubrimiento de nuevas conformaciones de hIAPP, lo cual es crucial para entender la patología de enfermedades neurodegenerativas y diabetes tipo II.
4. Establecer criterios de calidad: Demuestra que la presencia de una señal fuerte de 4.75 Å es un indicador fiable de orden estructural necesario para resoluciones superiores a 4 Å, sirviendo como filtro de calidad intrínseco.

En resumen, la integración de estas herramientas en RELION-5.1 hace que la determinación de estructuras de amiloides sea más accesible, objetiva y capaz de abordar la complejidad estructural inherente a estas fibras patológicas.