Automated in situ CryoET Structure Determination with a Self-Configuring Workflow
Cet article présente un cadre automatisé qui intègre le détecteur d'apprentissage profond auto-configurable Octopi au flux de travail standardisé py2rely afin de permettre la détermination de structures par cryo-tomographie électronique in situ à haute résolution (3–20 Å) sur divers échantillons biologiques avec une intervention humaine minimale.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
À l'intérieur de chaque cellule vivante, une ville trépidante de machines moléculaires opère en trois dimensions, construisant des protéines, copiant le code génétique et transportant des matériaux. Pour comprendre comment la vie fonctionne à son niveau le plus fondamental, les scientifiques doivent voir ces machines non pas comme des pièces isolées, mais telles qu'elles existent dans leur environnement naturel et encombré. Pendant des années, les chercheurs ont utilisé une technique appelée cryo-microscopie électronique par tomographie pour prendre des instantanés tridimensionnels de ces cellules congelées. Cette méthode leur permet de scruter l'intérieur du paysage cellulaire, mais transformer ces images brutes en structures claires et de haute résolution est resté un processus manuel difficile. C'est comme posséder une bibliothèque de photographies floues où chaque livre est légèrement différent ; pour lire le texte, un expert humain doit soigneusement choisir chaque livre, l'aligner avec les autres et l'accentuer à la main. Ce goulot d'étranglement a limité le nombre de structures que les scientifiques pouvaient étudier, laissant une grande partie du monde cellulaire inexploré.
Une équipe de chercheurs du Chan Zuckerberg Biohub a maintenant construit un système qui automatise l'ensemble de ce processus, transformant une tâche laborieuse en un flux de travail auto-configurable. Ils ont développé deux outils principaux qui fonctionnent ensemble : l'un pour trouver les machines moléculaires dans le bruit cellulaire complexe, et l'autre pour assembler les structures claires à partir de ces découvertes. Le premier outil, nommé Octopi, agit comme un détecteur intelligent. Au lieu de compter sur un humain pour lui apprendre quoi chercher dans chaque nouvelle expérience, Octopi utilise une méthode d'essais et d'erreurs pour ajuster automatiquement ses propres paramètres internes afin de s'adapter aux données spécifiques qu'il analyse. Il apprend à reconnaître la forme et le signal d'une molécule cible, même lorsque cette molécule est entourée de membranes ou d'autres débris cellulaires. Une fois qu'Octopi a identifié l'emplacement de ces molécules, le second outil, appelé py2reely, prend le relais. Ce système rassemble les éléments identifiés et les combine mathématiquement, affinant l'image par des cycles répétés jusqu'à ce qu'une structure tridimensionnelle nette émerge.
Les chercheurs ont testé ce système automatisé sur dix-sept tâches différentes, allant de molécules purifiées dans un tube à essai à des cellules bactériennes et humaines intactes et complexes. Dans chaque cas, le système a fonctionné sans nécessiter qu'un humain reconfigure le logiciel pour chaque nouveau jeu de données. Lorsqu'ils l'ont appliqué à un jeu de données de référence standard contenant six types différents de molécules, le détecteur automatisé a trouvé les cibles avec la même précision que les meilleurs modèles conçus par des humains lors d'une récente compétition internationale. Plus important encore, les structures construites à partir de ces découvertes automatisées étaient tout aussi claires. Pour certaines cibles, le système a produit des images avec une résolution de 3,0 Ångström, un niveau de détail assez précis pour voir les atomes individuels. Dans d'autres cas plus difficiles, comme les molécules attachées aux membranes cellulaires, le système a tout de même réussi à produire des structures avec des résolutions comprises entre 10 et 20 Ångströms, révélant la forme globale et les caractéristiques clés des complexes.
L'une des réalisations les plus significatives fut la capacité du système à gérer des environnements difficiles où le signal est faible ou obscurci. Dans les cellules humaines, les chercheurs ont demandé au système de distinguer les ribosomes flottant librement dans le fluide cellulaire de ceux attachés aux membranes internes de la cellule. En entraînant le détecteur sur seulement quelques exemples étiquetés manuellement, le système a appris à reconnaître à la fois les deux groupes et les membranes elles-mêmes simultanément. Il a réussi à séparer les deux populations et à construire des structures claires pour chacune, révélant même un complexe protéique attaché à la membrane qui avait été observé dans des études précédentes. De même, dans les cellules bactériennes, le système a identifié de grands anneaux protéiques et des particules de type virus dans le cytoplasme dense des bactéries en utilisant seulement un petit nombre d'exemples d'entraînement. Il s'est même généralisé à de nouveaux jeux de données inédits, fonctionnant correctement sur différents types de préparations cellulaires sans aucune configuration supplémentaire.
L'étude a également démontré que cette approche automatisée peut améliorer les résultats précédents. Lorsque l'équipe a appliqué son flux de travail de construction de structures automatisé aux données d'une compétition, les images résultantes étaient nettement plus nettes que celles publiées à l'origine. Par exemple, une structure de ribosome qui avait été précédemment résolue à 6,8 Ångströms a été améliorée à 3,7 Ångströms simplement en utilisant les nouvelles étapes de traitement cohérentes. Cela suggère que les limitations précédentes n'étaient pas dues aux données elles-mêmes, mais à la nature manuelle et variable de l'analyse. Les chercheurs ont découvert que le système pouvait même apprendre à partir d'informations très éparses ; pour une cible difficile, un modèle entraîné sur seulement cinquante exemples marqués manuellement était suffisant pour générer une structure de haute qualité.
Bien que le système soit très efficace, les chercheurs ont noté un domaine où l'intervention humaine était encore nécessaire. Pour un complexe protéique spécifique trouvé dans les vésicules synaptiques, le flux de travail automatisé a nécessité qu'un humain sélectionne manuellement le meilleur groupe de particules et ajuste le masque d'analyse. Cette exception souligne que, bien que le système puisse gérer la plupart des scénarios, les cibles associées aux membranes les plus complexes bénéficient encore de la supervision d'un expert. Cependant, le succès global du projet prouve qu'un chemin général et automatisé de la donnée brute à la structure atomique est désormais possible. En éliminant le besoin d'un choix de particules guidé par l'expert et d'un assemblage de flux de travail personnalisé, ce nouveau cadre ouvre la voie à l'étude d'un vaste éventail de structures cellulaires à une échelle auparavant impossible, permettant aux scientifiques de cartographier la machinerie moléculaire de la vie avec une vitesse et une cohérence sans précédent.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.