Supervised Deep Learning for Efficient Cryo-EM Image Alignment in Drug Discovery with cryoPARES
Het artikel introduceert cryoPARES, een gesuperviseerde deep learning-methode die de uitlijning van Cryo-EM-beelden versnelt en real-time, geautomatiseerde structurele bepaling voor medicijnontwikkeling mogelijk maakt door gebruik te maken van voorafgaande pose-informatie en handmatige interventie te elimineren.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://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
Stel je voor dat je probeert uit te zoeken hoe een complex 3D-object eruitziet door duizenden wazige foto's ervan vanuit verschillende hoeken te maken, maar de foto's liggen allemaal door elkaar en verspreid over de vloer. Dit is in essentie waar wetenschappers voor staan wanneer ze Cryo-EM (Cryo-Elektronenmicroscopie) gebruiken om minuscule biologische moleculen te bestuderen, wat een cruciale stap is bij het ontwerpen van nieuwe medicijnen.
Momenteel is het proces van het sorteren van deze foto's en het bepalen van de juiste hoek voor elk exemplaar alsof je een enorme legpuzzel probeert op te lossen in het donker. Het kost een supercomputer een lange tijd om de getallen te verwerken, en er is vaak een menselijke expert nodig om in te grijpen en het proces te begeleiden. Dit maakt het te traag en onhandig voor snelle medicijnontwikkeling, waarbij wetenschappers veel verschillende kandidaat-medicijnen snel moeten kunnen testen.
Het artikel introduceert een nieuwe tool genaamd cryoPARES om dit op te lossen. Zo werkt het, met behulp van enkele eenvoudige analogieën:
- De "Slimme Student" versus het "Lege Blad": Traditionele methoden zijn als een student die de leerstof telkens opnieuw vanaf nul moet leren bij elke test die hij maakt, zelfs als hij gisteren net een soortgelijke test heeft gemaakt. Ze negeren wat ze al weten. cryoPARES daarentegen is als een slimme student die de stof al heeft bestudeerd. Omdat de eiwitten die worden getest erg op elkaar lijken, gebruikt cryoPARES "voorkennis" (wat het heeft geleerd van eerdere succesvolle uitlijningen) om de juiste hoeken direct te raden, in plaats van vanaf nul te beginnen.
- De "Auto-Filter": In de oude dagen moest een mens handmatig zoeken naar een wazige of nutteloze foto om deze vervolgens weg te gooien. cryoPARES werkt als een automatische uitsmijter bij een club; het herkent direct de "slechte appels" (nutteloze deeltjes) en zet ze eruit zonder dat iemand er handmatig iets aan hoeft te doen.
- De "Live Stream": Omdat het zo snel en geautomatiseerd is, werkt cryoPARES niet alleen nadat de gegevens zijn verzameld. Het werkt in "real-time". Denk aan een live uitzending waarbij het beeld steeds duidelijker wordt terwijl de camera nog aan het filmen is. Dit geeft wetenschappers onmiddellijke feedback terwijl ze nog gegevens verzamelen, in plaats van dagen te moeten wachten op een resultaat.
De Resultaten:
De auteurs hebben deze nieuwe "slimme student" getest op zeven verschillende met medicijnen gebonden eiwitcomplexen (vier verschillende doelwitten). Ze lieten zien dat cryoPARES de 3D-structuren veel sneller kon bepalen dan de oude methoden. Als bonus hebben ze ook drie nieuwe datasets vrijgegeven die laten zien hoe kleine medicijnfragmenten aan eiwitten binden, waardoor deze informatie beschikbaar komt voor anderen om te gebruiken.
Kortom, cryoPARES verandert een traag, handmatig en repetitief proces in een snel, geautomatiseerd en intelligent proces, waardoor wetenschappers de vorm van medicijn-doelwitten veel sneller kunnen zien.
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.