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

Biologie is geen verzameling statische beelden, maar een wereld van constante, vloeiende beweging. Eiwitten, de moleculaire machines die het leven aandrijven, staan nooit echt stil; ze draaien, buigen en verschuiven tussen verschillende vormen om hun taken uit te voeren. Begrijpen hoe ze bewegen is net zo belangrijk als weten hoe ze eruitzien, omdat hun functie volledig afhangt van deze veranderingen. Decennialang hebben wetenschappers krachtige microscopen gebruikt om hoogresolutie-snapshots van deze moleculen te maken, waarbij ze ze in de tijd bevroren om hun structuren te zien. Echter, een enkele foto kan niet het hele verhaal vertellen van een reis. Het laat zien waar een eiwit is, maar niet hoe het daar kwam, of hoe vaak het verschillende plekken bezoekt. Om de gaten tussen deze bevroren momenten op te vullen, gebruiken onderzoekers computersimulaties om eiwitten te zien bewegen. Toch worstelen deze simulaties vaak met het vastleggen van de zeldzame, grootschalige bewegingen die over lange perioden plaatsvinden, waardoor wetenschappers met onvolledige beelden achterblijven van hoe deze moleculen daadwerkelijk werken.

Een nieuwe benadering genaamd cryoWEight biedt een manier om deze kloof te overbruggen door het beste van beide werelden te combineren: de gedetailleerde snapshots van elektronenmicroscopie en de dynamische beweging van computersimulaties. De methode werd ontwikkeld door onderzoekers van het Flatiron Institute en de University of California, Irvine, om een specifiek probleem op te lossen. Traditionele simulaties kunnen te lang in één vorm blijven hangen, waardoor ze de zeldzame overgangen missen die cruciaal zijn voor de functie. Omgekeerd kan het simpelweg proberen om een simulatie te dwingen overeen te komen met experimentele beelden vaak de natuurlijke fysica van het molecuul verstoren. Het team creëerde een systeem dat de experimentele data de simulatie voorzichtig laat sturen zonder de regels van de fysica te breken. Ze testten dit systeem op drie verschillende eiwitten, variërend van een kleine keten van tien residuen tot een groter enzym, en ontdekten dat het erin slaagde de computermodellen naar de vormen te sturen die in de microscoop werden waargenomen, zelfs wanneer de simulatie vanuit een totaal andere plek begon.

De kern van deze methode berust op een slimme feedbackloop. Stel je een simulatie voor die duizenden parallelle paden volgt, als een zwerm ontdekkingsreizigers die zich verspreiden over een landschap. Sommige paden dwalen af naar gebieden die zelden worden bezocht, terwijl andere zich ophopen in veelvoorkomende plekken. Het cryoWEight-systeem controleert deze ontdekkingsreizigers periodiek aan de hand van de echte experimentele beelden. Als een pad leidt naar een vorm die zeer sterk lijkt op wat de microscoop ziet, krijgt dat pad meer belang. Als een pad leidt naar een vorm die niet overeenkomt, krijgt het minder belang. Dit proces dwingt de ontdekkingsreizigers niet om in een specifieke richting te bewegen; in plaats daarvan past het simpelweg het gewicht van hun verhalen aan. De paden die overeenkomen met de data worden vervolgens gebruikt om de volgende ronde van exploratie te starten, waardoor de simulatie effectief wordt gezaaid met de meest veelbelovende richtingen. Over vele cycli verschuift de gehele groep ontdekkingsreizigers geleidelijk van focus, waarbij ze van het startpunt naar de doelvormen die in de experimenten worden gezien, bewegen.

De onderzoekers valideerden deze benadering met behulp van drie verschillende eiwitten om te verzekeren dat het werkte bij verschillende niveaus van complexiteit. De eerste was chignoline, een klein synthetisch eiwit dat zich vouwt tot een eenvoudige haarspelvorm. Ze begonnen met een simulatie van de gevouwen staat en vroegen het systeem om de ontvouwen staat te vinden, die werd gedefinieerd door een reeks experimentele beelden. Binnen slechts enkele cycli slaagde de simulatie erin om het eiwit van de compacte gevouwen vorm naar de uitgerekte, ontvouwen vorm te bewegen, waarbij de experimentele distributie perfect werd benaderd. De tweede test betrof een iets groter eiwit genaamd NTL9, dat vouwt van een ongevouwen keten naar een stabiele structuur. Hier werkte het proces in omgekeerde richting: uitgaande van de ongevouwen keten, stuurde het systeem de simulatie naar de gevouwen staat, waarbij de experimentele data opnieuw met hoge precisie werd benaderd.

De meest complexe test werd uitgevoerd op adenylaatkinase, een groot enzym dat fungeert als een cellulaire energiebeheerder. Dit eiwit heeft het unieke vermogen om te zwaaien tussen een gesloten vorm, waarin het brandstof vasthoudt, en een open vorm, waarin het deze vrijgeeft. Deze beweging houdt in dat grote delen van het molecuul buigen en roteren. De onderzoekers startten de simulatie in de gesloten staat en gebruikten beelden van de open staat om het proces te sturen. Het systeem leidde het eiwit succesvol door de transitie en legde de specifieke tussenliggende vormen vast die het aanneemt terwijl het opent. Cruciaal was dat het pad dat de simulatie nam overeenkwam met het natuurlijke traject dat werd waargenomen in lange, onbevooroordeelde computerruns, wat bewees dat de methode het eiwit niet simpelweg in een nieuwe vorm dwong, maar de juiste route vond om daar te komen.

Een van de meest significante bevindingen was dat deze methode werkt, zelfs wanneer het startpunt en het doel volledig verschillend zijn. In veel eerdere pogingen, als een simulatie begon in een regio van de vormruimte die geen overlap had met het doel, zou de simulatie het doel niet vinden. CryoWEight kon deze kloof echter overbruggen. Door de experimentele beelden te gebruiken om de paden te herwegen, kon het systeem nieuwe vormen genereren die niet aanwezig waren in de oorspronkelijke startdata. Dit deed het door te herkennen dat bepaalde vormen eerder de geobserveerde beelden zouden produceren, en vervolgens die vormen te gebruiken om verdere exploratie te sturen. Dit stelde de simulatie in staat om hoge energiebarrières te oversteken die normaal gesproken onmogelijk te passeren zouden zijn in een standaardrun.

De studie onderzocht ook hoeveel informatie er nodig is uit de experimentele beelden voor de methode om te werken. Ze testten het systeem met beelden met variërende niveaus van helderheid, waarbij condities werden gesimuleerd waarin het signaal zeer sterk is en condities waarin het begraven ligt in ruis. Wanneer de beelden duidelijk waren, convergeerde het systeem snel naar de juiste vormen. Wanneer de beelden zeer ruisig waren, slaagde het systeem er niet in om het doel te vinden, wat bevestigde dat de sturing voortkomt uit de data zelf en niet uit een interne bias van de simulatie. Deze gevoeligheid voor de kwaliteit van de data is een kracht, aangezien het ervoor zorgt dat de resultaten worden gedreven door het feitelijke experimentele bewijs.

Verder toonden de onderzoekers aan dat de methode robuust is voor de manier waarop de simulatieruimte wordt verdeeld. De computer moet het complexe landschap van mogelijke vormen opdelen in kleinere regio's om de berekeningen te beheren. Ze testten verschillende manieren om deze grenzen te trekken en ontdekten dat het eindresultaat hetzelfde was, ongeacht hoe de kaart werd getekend. Dit suggereert dat de methode betrouwbaar is en niet afhankelijk is van willekeurige keuzes gemaakt door de onderzoekers. Het demonstreerde ook dat het systeem mengsels van verschillende vormen kon herstellen. Wanneer het doel een combinatie van gevouwen en ontvouwen staten was, reproduceerde de simulatie correct de ratio van deze staten, wat aantoont dat het complexe scenario's met meerdere staten kan afhandelen.

De implicaties van dit werk reiken verder dan alleen deze drie eiwitten. Het raamwerk is ontworpen om flexibel te zijn, wat betekent dat het kan worden toegepast op andere soorten experimentele data, zoals die van kernmagnetische resonantie of röntgenspreiding, en niet alleen op elektronenmicroscopie. De sleutel is dat het systeem de waarschijnlijkheid van een beeld gebruikt om de simulatie te sturen, een principe dat kan worden toegepast op elke observeerbare die een doelverdeling definieert. Hoewel de huidige tests gebruikmaakten van synthetische beelden gegenereerd uit bekende structuren, merken de auteurs op dat de methode klaar is om te worden toegepast op echte experimentele data. Dit zou wetenschappers in staat stellen om werkelijke microscoopbeelden van een eiwit in actie te nemen en deze te gebruiken om een dynamisch model te bouwen van hoe dat eiwit beweegt en functioneert.

Door experimentele snapshots te integreren met de kracht van enhanced sampling-simulaties, biedt cryoWEight een nieuwe manier om de onzichtbare dynamiek van de machinerie van het leven te zien. Het vervangt niet de noodzaak voor hoogwaardige experimentele data, noch vervangt het de noodzaak voor nauwkeurige fysieke modellen. In plaats daarvan fungeert het als een brug, waarbij de data wordt gebruikt om de modellen te corrigeren en de modellen worden gebruikt om de gaten in de data op te vullen. Het resultaat is een completer beeld van hoe eiwitten werken, waarbij de paden die ze afleggen en de staten die ze bezoeken worden onthuld. Terwijl het vakgebied zich beweegt naar het begrijpen van grotere en complexere moleculaire assemblages, zullen instrumenten zoals deze essentieel zijn om statische beelden om te zetten in dynamische verhalen van biologische functies.