cryoWEight: Conformational ensembles from cryo-EM particle images with weighted ensemble simulations

La biologia non è una collezione di statue statiche, ma un mondo di costante, fluido movimento. Le proteine, le macchine molecolari che alimentano la vita, non sono mai veramente ferme; si torcono, si piegano e oscillano tra diverse forme per svolgere i loro compiti. Capire come si muovono è importante quanto sapere che aspetto hanno, perché la loro funzione dipende interamente da questi cambiamenti. Per decenni, gli scienziati hanno utilizzato potenti microscopi per scattare istantanee ad alta risoluzione di queste molecole, congelandole nel tempo per osservarne le strutture. Tuttavia, una singola fotografia non può raccontare l'intera storia di un viaggio. Mostra dove si trova una proteina, ma non come vi sia arrivata, o quanto spesso visiti determinati punti. Per colmare le lacune tra questi momenti congelati, i ricercatori utilizzano simulazioni al computer per osservare il movimento delle proteine. Eppure, queste simulazioni spesso faticano a catturare i movimenti rari e su larga scala che avvengono su periodi di tempo lunghi, lasciando agli scienziati immagini incomplete di come queste molecole funzionino realmente.

Un nuovo approccio chiamato cryoWEight offre un modo per colmare questo divario combinando il meglio di entrambi i mondi: i dettagliati scatti della microscopia elettronica e il movimento dinamico delle simulazioni al computer. Il metodo è stato sviluppato da ricercatori del Flatiron Institute e della University of California, Irvine, per risolvere un problema specifico. Le simulazioni tradizionali possono rimanere bloccate in una forma troppo a lungo, perdendo le transizioni rare che sono cruciali per la funzione. Al contrario, cercare semplicemente di forzare una simulazione affinché corrisponda alle immagini sperimentali spesso distorce la fisica naturale della molecola. Il team ha creato un sistema che permette ai dati sperimentali di guidare delicatamente la simulazione senza infrangere le regole della fisica. Hanno testato questo sistema su tre diverse proteine, che vanno da una minuscola catena di dieci residui a un enzima più grande, e hanno scoperto che poteva guidare con successo i modelli informatici verso le forme osservate al microscopio, anche quando la simulazione partiva da un punto completamente diverso.

Il cuore di questo metodo risiede in un astuto ciclo di feedback. Immaginate una simulazione che esegue migliaia di percorsi paralleli, come uno sciame di esploratori che si diffonde attraverso un paesaggio. Alcuni percorsi vagano in aree raramente visitate, mentre altri si affollano in punti comuni. Il sistema cryoWEight controlla periodicamente questi esploratori rispetto alle immagini sperimentali reali. Se un percorso conduce a una forma che assomiglia molto a ciò che vede il microscopio, a quel percorso viene data maggiore importanza. Se un percorso conduce a una forma che non corrisponde, gli viene data meno importanza. Questo processo non costringe gli esploratori a muoversi in una direzione specifica; invece, regola semplicemente il peso delle loro storie. I percorsi che corrispondono ai dati vengono poi utilizzati per avviare il ciclo successivo di esplorazione, seminando efficacemente la simulazione con le direzioni più promettenti. Nel corso di molti cicli, l'intero gruppo di esploratori sposta gradualmente il proprio focus, muovendosi dal punto di partenza verso le forme bersaglio osservate negli esperimenti.

I ricercatori hanno convalidato questo approccio utilizzando tre proteine distinte per garantire che funzionasse attraverso diversi livelli di complessità. La prima è stata la chignolina, una piccola proteina sintetica che si ripiega in una semplice forma a forcina. Hanno iniziato con una simulazione dello stato ripiegato e hanno chiesto al sistema di trovare lo stato srotolato, definito da un insieme di immagini sperimentali. In soli pochi cicli, la simulazione è riuscita a spostare la proteina dalla sua forma compatta ripiegata alla forma estesa e srotolata, corrispondendo perfettamente alla distribuzione sperimentale. Il secondo test ha coinvolto una proteina leggermente più grande chiamata NTL9, che si ripiega da una catena srotolata in una struttura stabile. In questo caso, il processo è avvenuto in modo inverso: partendo dalla catena srotolata, il sistema ha guidato la simulazione verso lo stato ripiegato, corrispondendo nuovamente ai dati sperimentali con alta precisiono.

Il test più complesso è stato eseguito su adenilato chinasi, un grande enzima che agisce come un gestore dell'energia cellulare. Questa proteina ha la capacità unica di oscillare tra una forma chiusa, in cui trattiene il suo combustibile, e una forma aperta, in cui lo rilascia. Questo movimento comporta la flessione e la rotazione di parti consistenti della molecola. I ricercatori hanno iniziato la simulazione nello stato chiuso e hanno usato le immagini dello stato aperto per guidarla. Il sistema ha portato con successo la proteina attraverso la transizione, catturando le specifiche forme intermedie che assume mentre si apre. Fondamentalmente, il percorso che la simulazione ha intrapreso corrispondeva alla via naturale osservata nelle lunghe corse informatiche non guidate, dimostrando che il metodo non si è limitato a forzare la proteina in una nuova forma, ma ha trovato la rotta corretta per arrivarci.

Uno dei risultati più significativi è stato che questo metodo funziona anche quando il punto di partenza e il bersaglio sono completamente diversi. In molti tentativi precedenti, se una simulazione partiva da una regione dello spazio delle forme che non aveva alcuna sovrapposizione con il bersaglio, falliva nel trovarlo. CryoWEight, tuttavia, è stato in grado di colmare questo divario. Utilizzando le immagini sperimentali per ripesare i percorsi, il sistema è stato in grado di generare nuove forme che non erano presenti nei dati di partenza originali. Ciò è avvenuto riconoscendo che certe forme erano più probabili nel produrre le immagini osservate, e poi usando quelle forme per guidare l'ulteriore esplorazione. Questo ha permesso alla simulazione di superare barriere energetiche elevate che normalmente sarebbero impossibili da superare in una corsa standard.

Lo studio ha anche esplorato quanta informazione sia necessaria dalle immagini sperimentali affinché il metodo funzioni. Hanno testato il sistema con immagini che avevano diversi livelli di chiarezza, simulando condizioni in cui il segnale è molto forte e condizioni in cui è sepolto nel rumore. Quando le immagini erano chiare, il sistema convergevano rapidamente verso le forme corrette. Quando le immagini erano molto rumorose, il sistema non riusciva a trovare il bersaglio, confermando che la guida deriva dai dati stessi e non da un bias interno della simulazione. Questa sensibilità alla qualità dei dati è un punto di forza, poiché assicura che i risultati siano guidati dall'effettiva evidenza sperimentale.

Inoltre, i ricercatori hanno dimostrato che il metodo è robusto rispetto a come lo spazio della simulazione viene suddiviso. Il computer deve suddividere il complesso panorama delle possibili forme in regioni più piccole per gestire i calcoli. Hanno testato diversi modi per tracciare questi confini e hanno scoperto che il risultato finale era lo stesso indipendentemente da come la mappa veniva disegnata. Ciò suggerisce che il metodo sia affidabile e non dipenda da scelte arbitrarie fatte dai ricercatori. Ha inoltre dimostrato che il sistema può recuperare miscele di diverse forme. Quando il bersaglio era una combinazione di stati ripiegati e srotolati, la simulazione ha riprodotto correttamente il rapporto di questi stati, mostrando che può gestire scenari complessi a stati multipli.

Le implicazioni di questo lavoro si estendono oltre queste tre proteine. Il framework è progettato per essere flessibile, il che significa che potrebbe essere applicato ad altri tipi di dati sperimentali, come quelli provenienti dalla risonanza magnetica nucleare o dallo scattering di raggi X, non solo dalla microscopia elettronica. La chiave è che il sistema utilizza la verosimiglianza di un'immagine per guidare la simulazione, un principio che può applicarsi a qualsiasi osservabile che definisca una distribuzione bersaglio. Mentre gli attuali test hanno utilizzato immagini sintetiche generate da strutture note, gli autori sottolineano che il metodo è pronto per essere applicato a dati sperimentali reali. Ciò permetterebbe agli scienziati di prendere le immagini reali al microscopio di una proteina in azione e utilizzare tali immagini per costruire un modello dinamico di come quella proteina si muove e funziona.

Integrando gli scatti sperimentali con la potenza delle simulazioni di campionamento potenziato, cryoWEight offre un nuovo modo per vedere la dinamica invisibile dei meccanismi della vita. Non sostituisce la necessità di dati sperimentali di alta qualità, né sostituisce la necessità di modelli fisici accurati. Invece, funge da ponte, usando i dati per correggere i modelli e i modelli per colmare le lacune nei dati. Il risultato è un quadro più completo di come le proteine funzionano, rivelando i percorsi che percorrono e gli stati che visitano. Mentre il campo si muove verso la comprensione di assemblaggi molecolari più grandi e complessi, strumenti come questo saranno essenziali per trasformare le immagini statiche in storie dinamiche di funzione biologica.