A meta-algorithm for ab initio reconstruction of complex mixtures in cryo-EM
Dit artikel introduceert een systematisch meta-algoritme voor de *ab initio* reconstructie van complexe cryo-EM-mengsels die tientallen verschillende soorten bevatten, waarbij een hoge nauwkeurigheid wordt bereikt op benchmark-datasets en het succesvolle herstel van ribosomale assemblagetoestanden uit ongefilterde experimentele data wordt gedemonstreerd.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
In de stille, bevroren duisternis van een laboratoriumvriezer proberen wetenschappers de onzichtbare machinerie van het leven te zien. Ze gebruiken een techniek genaamd cryo-elektronenmicroscopie, waarbij een druppel water die kleine biologische moleculen bevat, razendsnel wordt bevroren zodat er geen ijskristallen ontstaan die deze zouden beschadigen. Eenmaal bevroren worden deze moleculen beschoten met elektronen om duizenden wazige, tweedimensionale plaatjes te maken. Het doel is om deze platte, ruisige snapshots samen te voegen tot een scherp, driedimensionaal model van het molecuul. Dit proces is als het proberen te reconstrueren van een gebroken vaas uit een hoop scherven, maar dan met een twist: de scherven staan allemaal in verschillende richtingen en de hoop bevat vaak stukjes van vele verschillende vazen die door elkaar liggen. Jarenlang heeft deze methode prachtig gewerkt voor zuivere monsters, waarbij elk molecuul identiek is. Maar de natuur is zelden zo netjes. Echte biologische monsters bevatten vaak een chaotische soep van verschillende moleculaire vormen en maten, wat het bijna onmogelijk maakt voor standaard computerprogramma's om ze te sorteren en een helder beeld van één enkel type op te bouwen.
Een team onderzoekers aan de Princeton University en de University of California, Berkeley heeft een nieuwe manier ontwikkeld om dit probleem aan te pakken. Ze realiseerden zich dat hoewel een enkel computerprogramma misschien niet perfect slaagt in het sorteren van een complex mengsel, het zelden volledig nutteloos is. Zelfs een mislukte poging tot sorteren krijgt meestal wel een deel goed, maar niet alles. De onderzoekers behandelden deze imperfecte pogingen als zwakke signalen. In plaats van te vertrouwen op één krachtige, perfecte run, voerden ze het sorteerproces honderden keren uit met licht verschillende instellingen en willekeurige startpunten. Elke run produceerde een ruwe, gedeeltelijke kaart van hoe de moleculen gegroepeerd zouden kunnen zijn. Het team creëerde vervolgens een systeem om al deze verschillende stemmen tegelijkertijd te beluisteren. Door de resultaten van elke enkele run te vergelijken, konden ze zien welke moleculen consistent bij elkaar werden gegroepeerd en welke niet. Dit proces van het combineren van vele zwakke, imperfecte gokken stelde hen in staat om een sterke, nauwkeurige definitieve kaart te bouwen die geen enkele enkele poging alleen had kunnen produceren.
De kracht van deze aanpak werd getest op een enorme collectie synthetische data bekend als Tomotwin-100, die afbeeldingen bevat van honderd verschillende moleculaire structuren die door elkaar gemengd zijn. In het verleden konden computerprogramma's zelfs niet beginnen met het begrijpen van een zo complex mengsel vanuit het niets. De nieuwe methode slaagde er echter in om de deeltjes met opmerkelijke precisie te sorteren. Op een subset van vijfenveertig verschillende typen identificeerde het systeem de groep correct voor bijna elk deeltje. Op de volledige set van honderd wist het nog steeds driekwart van de tijd het juiste antwoord te geven. Dit is een aanzienlijke sprong voorwaarts, aangezien eerdere methoden moeite hadden met zelfs maar een handvol gemengde typen. De onderzoekers pasten hun techniek ook toe op een werkelijk experiment met betrekking tot ribosomen, de eiwitfabrieken van de cel. Zonder de data handmatig te reinigen of ongewenst afval eerst te verwijderen, scheidde hun systeem automatisch de verschillende stadia van de ribosoomassemblage van de rommel, waardoor heldere, hoogresolutie structuren van elke fase aan het licht kwamen.
Wat deze ontdekking bijzonder belangrijk maakt, is dat het de manier verandert waarop wetenschappers complexe data benaderen. Voorheen moesten onderzoekers vertrouwen op trial-and-error, door experimenten keer op keer uit te voeren, de resultaten handmatig te inspecteren en te hopen dat ze op een bruikbare groepering zouden stuiten. Dit was een traag, arbeidsintensief proces dat niet goed opschaalde wanneer de mengsels complexer werden. De nieuwe methode vervangt die gokwerk door een systematische workflow die geautomatiseerd kan worden. Het vereist geen nieuwe hardware of een volledige herschrijving van bestaande software; in plaats daarvan fungeert het als een meta-algoritme dat vele standaardtaken samenbrengt om samen te werken. De onderzoekers ontdekten dat de nauwkeurigheid van de resultaten verbeterde naarmate ze meer rekenkracht toevoegden, wat suggereert dat deze aanpak zelfs complexere mengsels in de toekomst kan aan kunnen. Door een chaotisch probleem in een beheersbaar probleem te veranderen via de collectieve wijsheid van vele eenvoudige pogingen, opent dit werk de deur naar het bestuderen van biologische monsters precies zoals ze in de natuur bestaan, vol variatie en complexiteit, in plaats van alleen de gezuiverde, vereenvoudigde versies die voorheen mogelijk waren om te bestuderen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.