The CAHRA Challenge: A Community-Wide Assessment of Cryo-EM Heterogeneous Reconstruction Algorithms

Per osservare gli ingranaggi interni della vita, gli scienziati si rivolgono spesso a una tecnica chiamata criomicroscopia elettronica. Immaginate di scattare una fotografia di una singola, minuscola macchina fatta di proteine, ma la macchina è congelata in un sottile strato di ghiaccio così velocemente da non poter muoversi o rompersi. Poiché queste macchine sono così piccole, una singola fotografia è solo un'ombra bidimensionale e sfocata. Per comprendere la macchina, i ricercatori devono scattare migliavere di queste foto sfocate da diverse angolazioni e usare un computer per cucirle insieme in un modello tridimensionale nitido. Questo processo ha rivoluzionato la biologia, permettendoci di vedere la struttura atomica di virus, enzimi e altre molecole essenziali. Tuttavia, le vere macchine biologiche sono raramente statiche; oscillano, si piegano e cambiano forma mentre lavorano. Quando un insieme di dati contiene un misto di queste diverse forme, o persino diversi tipi di molecole intere, il computer fatica a decidere a quale versione della macchina appartenga ogni immagine. Ciò rende incredibilmente difficile ricostruire la vera storia dinamica della molecola.

Nel 2026, un team di ricercatori dell'Università di Princeton, del Flatiron Institute e di altre istituzioni ha lanciato un test globale per vedere quanto bene gli attuali programmi informatici riescano a risolvere questo problema specifico. Lo hanno chiamato CAHRA Challenge, una valutazione comunitaria progettata per misurare la capacità di diversi algoritmi di districare questi complessi miscugli. Gli organizzatori non si sono limitati a chiedere agli scienziati di tirare a indovinare; hanno costruito tre distinti e altamente controllati casi di test dove le risposte corrette erano note solo ai creatori. Questi test coprivano i tre modi principali in cui le molecole si complicano: quando un campione contiene un mix di diverse specie, quando una singola molecola si sposta attraverso un intervallo continuo di forme, e quando l'angolo da cui una molecola viene vista ne nasconde la vera forma. Confrontando quanto bene varie squadre si siano comportate rispetto a queste verità note, la sfida ha fornito una mappa chiara di dove si trovi il campo e dove debba migliorare.

Il primo test si è concentrato su una stanza affollata di diverse molecole. I ricercatori hanno preso quattro distinti complessi proteici — alcol deidrogenasi, aldolasi, glutammato deidrogenasi e piruvato chinasi — che sono simili per dimensioni e forma. Hanno anche aggiunto altre due proteine, gamma-globulina e beta-amilasi, che fungevano da distrazioni perché danneggiate o formate da fogli piatti che non potevano essere ricostruiti in modelli 3D. Tutte queste erano mescolate in un unico dataset contenente oltre 1,6 milioni di immagini di particelle. La sfida per i partecipanti era guardare questo mucchio disordinato di immagini e capire a quali delle quattro proteine principali appartenessero le foto, e poi costruire un modello 3D nitido per ciascuna di esse senza essere stati istruiti su quali fossero i bersagli. Per rendere il compito ancora più difficile, i ricercatori hanno simulato il danno da radiazioni dividendo le immagini in gruppi di alta qualità e bassa qualità, costringendo gli algoritmi a distinguere tra una molecola leggermente danneggiata e una che è semplicemente un tipo diverso di molecola.

Il secondo test si è allontanato dal mescolamento di diverse specie per concentrarsi invece su una singola molecola che cambia la sua forma. I ricercatori hanno utilizzato una simulazione al computer di un enzima umano chiamato presequenza proteasi, che si apre e si chiude come un cancello. Hanno catturato la molecola in 100 diverse fasi di questo movimento, creando una transizione fluida da uno stato aperto a uno stato chiuso. Da questi 100 scatti, hanno generato oltre 1,7 milioni di immagini simulate. L'obiettivo per i partecipanti non era solo vedere che la molecola si muoveva, ma produrre un insieme di modelli atomici — dettagliati progetti degli atomi — che descrivessero accuratamente l'intero intervallo di questo movimento. A differenza del primo test, dove l'obiettivo era separare gruppi distinti, questo test richiedeva agli algoritmi di comprendere un flusso continuo di cambiamento e tradurlo in modelli strutturali precisi.

Il terzo test ha affrontato un problema complicato noto come intreccio di pose (pose entanglement). Negli esperimenti reali, le molecole spesso preferiscono posizionarsi sul vetrino del microscopio in certe orientazioni, lasciando vuoti altri angoli. Se una molecola cambia forma lungo lo stesso asse che manca dai dati, il computer potrebbe scambiare l'angolo mancante per un cambiamento di forma, o viceversa. Per testare questo, i ricercatori hanno simulato immagini di un canale a forma di anello chiamato CALHM2, che possiede uno stato aperto e uno chiuso. Si sono assicurati che le immagini fossero pesantemente sbilanciate verso una vista laterale, il che rende molto difficile vedere la differenza tra gli stati aperto e chiuso. Il dataset conteneva 30.000 particelle con un rapporto noto tra stati aperti e chiusi, ma ai partecipanti non è stato comunicato il rapporto né gli angoli corretti. Dovevano determinare se i loro metodi potessero contare accuratamente quante molecole fossero aperte rispetto a quelle chiuse, anche quando gli angoli di visione rendevano la differenza quasi invisibile.

I risultati di questa sfida, che è durata sette mesi con contributi da ricercatori di tutto il mondo, dovrebbero essere esaminati in un workshop in Oxfordshire nel corso del 2026. Sebbene il documento non elenchi ancora i vincitori, il design della sfida stessa offre una via chiara da seguire. Essa sposta il campo oltre i semplici confronti di risoluzione e costringe gli sviluppatori a confrontarsi con la realtà disordinata dei dati sperimentali. Gli organizzatori sperano che, fornendo questi dataset standardizzati e basati su dati reali (ground-truth), la comunità possa costruire flussi di lavoro più efficienti che richiedano meno regolazioni manuali. Ciò è fondamentale per il futuro del settore, man mano che gli scienziati si muovono verso lo studio di campioni più complessi, come le molecole all'interno delle cellule viventi o quelle che cambiano forma in tempo reale. La CAHRA Challenge funge da benchmark rigoroso, garantendo che gli strumenti utilizzati per visualizzare il macchinario della vita siano affidabili quanto la scienza che intendono rivelare.