Automated in situ CryoET Structure Determination with a Self-Configuring Workflow
Dit artikel introduceert een geautomatiseerd framework dat de zelfconfigurerende deep-learning detector Octopi integreert met de gestandaardiseerde py2rely workflow om hoge-resolutie (3–20 Å) in situ cryo-elektrontomografie structuurbepaling over diverse biologische monsters mogelijk te maken met minimale deskundige interventie.
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
In elke levende cel werkt een bruisende stad van moleculaire machines in drie dimensies, die eiwitten bouwen, genetische codes kopiëren en materialen transporteren. Om te begrijpen hoe het leven op zijn meest fundamentele niveau werkt, moeten wetenschappers deze machines niet alleen zien als geïsoleerde onderdelen, maar zoals ze bestaan in hun natuurlijke, drukke omgeving. Jarenlang hebben onderzoekers een techniek genaamd cryo-elektrontomografie gebruikt om driedimensionale snapshots van deze bevroren cellen te maken. Deze methode stelt hen in staat om in het cellulaire landschap te kijken, maar het omzetten van die ruwe beelden naar heldere, hoogwaardige structuren is een moeilijk, handmatig proces gebleven. Het is alsof je een bibliotheek hebt van wazige foto's waar elk boek net iets anders is; om de tekst te kunnen lezen, moet een menselijke expert elk boek zorgvuldig uitkiezen, het met anderen uitlijnen en de afbeelding met de hand verscherpen. Deze flessenhals heeft beperkt hoeveel structuren wetenschappers kunnen bestuderen, waardoor een groot deel van de cellulaire wereld onverkend is gebleven.
Een team van onderzoekers bij de Chan Zuckerberg Biohub heeft nu een systeem gebouwd dat dit hele proces automatiseert, waardoor een arbeidsintensieve taak wordt veranderd in een zelfconfigurerende workflow. Ze hebben twee hoofdinstrumenten ontwikkeld die samenwerken: één om de moleculaire machines te vinden in de complexe cellulaire ruis, en een andere om de heldere structuren samen te stellen uit die bevindingen. De eerste tool, genaamd Octopi, fungeert als een intelligente detector. In plaats van te vertrouwen op een mens om het systeem bij elk nieuw experiment te leren waar het naar moet zoeken, gebruikt Octopi een methode van vallen en opstaan om de eigen interne instellingen automatisch aan te passen aan de specifieke gegevens die het analyseert. Het leert de vorm en het signaal van een doelmolecuul te herkennen, zelfs wanneer dat molecuul wordt omringd door membranen of ander cellulair afval. Zodra Octopi de locaties van deze moleculen identificeert, neemt de tweede tool, genaamd py2repy, het over. Dit systeem verzamelt de geïdentificeerde stukjes en combineert ze wiskundig, waarbij de afbeelding door herhaalde cycli wordt verfijnd totdat een scherpe, driedimensionale structuur verschijnt.
De onderzoekers testten dit geautomatiseerde systeem op zeventien verschillende taken, variërend van gezuiverde moleculen in een reageerbuis tot complexe, intacte bacteriële cellen en menselijke cellen. In elk geval werkte het systeem zonder dat een mens de software voor elk nieuw dataset opnieuw moest configureren. Wanneer ze het toepasten op een standaard benchmark-dataset met zes verschillende soorten moleculen, vond de geautomatiseerde detector de doelwitten even nauwkeurig als de best presterende menselijk ontworpen modellen uit een recente internationale wedstrijd. Belangrijker nog was dat de structuren die uit deze geautomatiseerde bevindingen werden opgebouwd, even helder waren. Voor sommige doelwitten produceerde het systeem beelden met een resolutie van 3,0 Ångström, een detailniveau dat scherp genoeg is om individuele atomen te zien. In andere uitdagende gevallen, zoals moleculen die aan celmembranen zijn bevestigd, slaagde het systeem er nog steeds in om structuren te produceren met resoluties tussen de 10 en 20 Ångström, wat de algehele vorm en belangrijke kenmerken van de complexen onthulde.
Een van de meest significante prestaties was het vermogen van het systeem om moeilijke omgevingen aan te kunnen waar het signaal zwak of gehinderd is. In menselijke cellen vroegen de onderzoekers het systeem om onderscheid te maken tussen ribosomen die vrij in de celvloeistof zweven en die welke aan de interne membranen van de cel zijn bevestigd. Door de detector te trainen op slechts een paar handmatig gelabelde voorbeelden, leerde het systeem beide groepen en de membranen zelf tegelijkertijd te herkennen. Het slaagde erin de twee populaties te scheiden en bouwde heldere structuren voor elk van hen, waarbij zelfs een eiwitcomplex dat aan het membraan is bevestigd, werd onthuld dat in eerdere studies was gezien. Op dezelfde manier identificeerde het systeem in bacteriële cellen grote eiwitringen en virusachtige deeltjes in het dichte bacteriële cytoplasma met slechts een handvol trainingsvoorbeelden. Het generaliseerde zelfs naar nieuwe, ongeziene datasets, waarbij het correct functioneerde op verschillende soorten celpreparaten zonder verdere afstemming.
De studie toonde ook aan dat deze geautomatiseerde aanpak eerdere resultaten kan verbeteren. Wanneer het team hun geautomatiseerde structuur-bouw workflow toepaste op data uit een wedstrijd, waren de resulterende beelden aanzienlijk scherper dan de oorspronkelijk gepubliceerde. Zo werd bijvoorbeeld een ribosoomstructuur die voorheen op 6,8 Ångström was opgelost, verbeterd naar 3,7 Ångström, simpelweg door de nieuwe, consistente verwerkingsstappen te gebruiken. Dit suggereert dat de eerdere beperkingen niet te wijten waren aan de gegevens zelf, maar aan de handmatige, variabele aard van de analyse. De onderzoekers ontdekten dat het systeem zelfs van zeer schaarse informatie kon leren; voor één moeilijk doelwit was een model dat getraind was op slechts vijftig handmatig gemarkeerde voorbeelden voldoende om een hoogwaardige structuur te genereren.
Hoewel het systeem zeer effectief is, merkten de onderzoekers op dat er in één gebied nog steeds menselijke tussenkomst vereist was. Voor een specif eiwitcomplex dat in synaptische blaasjes wordt gevonden, had de geautomatiseerde workflow een mens nodig om de beste groep deeltjes handmatig te selecteren en de analysemasker aan te passen. Deze uitzondering benadrukt dat, hoewel het systeem de meeste scenario's kan afhandelen, de meest complexe membraangebonden doelwitten nog steeds profiteren van deskundig toezicht. Echter, het algemene succes van het project bewijst dat een algemeen, geautomatiseerd pad van ruwe data naar atomaire structuur nu mogelijk is. Door de noodzaak voor expert-gestuurde deeltjesselectie en het handmatig samenstellen van workflows weg te nemen, opent dit nieuwe kader de deur naar het bestuderen van een enorme verscheidenheid aan cellulaire structuren op een schaal die voorheen onmogelijk was, waardoor wetenschappers de moleculaire machinerie van het leven in kaart kunnen brengen met ongekende snelheid en consistentie.
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.