Automated in situ CryoET Structure Determination with a Self-Configuring Workflow
Este artículo presenta un marco automatizado que integra el detector de aprendizaje profundo autoconfigurable Octopi con el flujo de trabajo estandarizado py2rely para permitir la determinación de estructuras de tomografía crioelectrónica in situ de alta resolución (3–20 Å) en diversas muestras biológicas con una intervención experta mínima.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo
Dentro de cada célula viva, una bulliciosa ciudad de máquinas moleculares opera en tres dimensiones, construyendo proteínas, copiando el código genético y transportando materiales. Para comprender cómo funciona la vida en su nivel más fundamental, los científicos necesitan ver estas máquinas no solo como partes aisladas, sino tal como existen en su entorno natural y congestionado. Durante años, los investigadores han utilizado una técnica llamada criotomografía electrónica para tomar instantáneas tridimensionales de estas células congeladas. Este método les permite observar el paisaje celular, pero convertir esas imágenes brutas en estructuras claras y de alta resolución ha seguido siendo un proceso manual difícil. Es como tener una biblioteca de fotografías borrosas donde cada libro es ligeramente diferente; para leer el texto, un experto humano debe seleccionar cuidadosamente cada libro, alinearlo con otros y enfocar la imagen a mano. Este cuello de botella ha limitado cuántas estructuras pueden estudiar los científicos, dejando gran parte del mundo celular sin explorar.
Un equipo de investigadores del Chan Zuckerberg Biohub ha construido ahora un sistema que automatiza todo este proceso, convirtiendo una tarea laboriosa en un flujo de trabajo autoconfigurable. Desarrollaron dos herramientas principales que trabajan juntas: una para encontrar las máquinas moleculares en el ruido celular complejo, y otra para ensamblar las estructuras claras a partir de esos hallazgos. La primera herramienta, llamada Octopi, actúa como un detector inteligente. En lugar de depender de que un humano le enseñe qué buscar en cada nuevo experimento, Octopi utiliza un método de ensayo y error para ajustar automáticamente sus propios ajustes internos para adaptarse a los datos específicos que está analizando. Aprende a reconocer la forma y la señal de una molécula objetivo, incluso cuando esa molécula está rodeada de membranas u otros desechos celulares. Una vez que Octopi identifica las ubicaciones de estas moléculas, la segunda herramienta, llamada py2rely, toma el control. Este sistema reúne las piezas identificadas y las combina matemáticamente, refinando la imagen mediante ciclos repetidos hasta que emerge una estructura tridimensional nítida.
Los investigadores probaron este sistema automatizado en diecisiete tareas diferentes, que van desde moléculas purificadas en un tubo de ensayo hasta células bacterianas intactas y complejas y células humanas. En todos los casos, el sistema funcionó sin necesidad de que un humano reconfigurara el software para cada nuevo conjunto de datos. Cuando lo aplicaron a un conjunto de datos de referencia estándar que contenía seis tipos diferentes de moléculas, el detector automatizado encontró los objetivos con la misma precisión que los modelos diseñados por humanos con mejor rendimiento de una competencia internacional reciente. Más importante aún, las estructuras construidas a partir de estos hallazgos automatizados fueron igual de claras. Para algunos objetivos, el sistema produjo imágenes con una resolución de 3.0 Ångströms, un nivel de detalle lo suficientemente nítido como para ver átomos individuales. En otros casos desafiantes, como moléculas adheridas a membranas celulares, el sistema logró producir estructuras con resoluciones entre 10 y 20 Ångströms, revelando la forma general y las características clave de los complejos.
Uno de los logros más significativos fue la capacidad del sistema para manejar entornos difíciles donde la señal es débil o está oscurecida. En células humanas, los investigadores pidieron al sistema que distinguiera entre ribosomas que flotan libremente en el fluido celular y aquellos adheridos a las membranas internas de la célula. Al entrenar al detector con solo unos pocos ejemplos etiquetados manualmente, el sistema aprendió a reconocer ambos grupos y las propias membranas simultáneamente. Logró separar con éxito las dos poblaciones y construir estructuras claras para cada una, revelando incluso un complejo proteico adherido a la membrana que había sido visto en estudios previos. Del mismo modo, en células bacterianas, el sistema identificó grandes anillos proteicos y partículas similares a virus en el denso citoplasma bacteriano utilizando solo un puñado de ejemplos de entrenamiento. Incluso se generalizó a nuevos conjuntos de datos no vistos, trabajando correctamente en diferentes tipos de preparaciones celulares sin necesidad de más ajustes.
El estudio también demostró que este enfoque automatizado puede mejorar los resultados previos. Cuando el equipo aplicó su flujo de trabajo de construcción de estructuras automatizado a los datos de una competencia, las imágenes resultantes fueron significativamente más nítidas que las publicadas originalmente. Por ejemplo, una estructura de ribosoma que anteriormente se había resuelto a 6.8 Ångströms se mejoró a 3.7 Ångströms simplemente utilizando los nuevos pasos de procesamiento consistentes. Esto sugiere que las limitaciones anteriores no se debían a los datos en sí mismos, sino a la naturaleza manual y variable del análisis. Los investigadores descubrieron que el sistema podía incluso aprender de información muy escasa; para un objetivo difícil, un modelo entrenado con solo cincuenta ejemplos marcados manualmente fue suficiente para generar una estructura de alta calidad.
Si bien el sistema es altamente efectivo, los investigadores señalaron un área donde la intervención humana todavía era necesaria. Para un complejo proteico específico encontrado en vesículas sinápticas, el flujo de trabajo automatizado necesitó que un humano seleccionara manualmente el mejor grupo de partículas y ajustara la máscara de análisis. Esta excepción resalta que, si bien el sistema puede manejar la mayoría de los escenarios, los objetivos asociados a membranas más complejos todavía se benefician de la supervisión experta. Sin embargo, el éxito general del proyecto demuestra que un camino general y automatizado desde los datos brutos hasta la estructura atómica es ahora posible. Al eliminar la necesidad de la selección de partículas guiada por expertos y el ensamblaje de flujos de trabajo personalizados, este nuevo marco abre la puerta al estudio de una vasta gama de estructuras celulares a una escala que antes era imposible, permitiendo a los científicos mapear la maquinaria molecular de la vida con una velocidad y consistencia sin precedentes.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.