Cryo-EM image processing of amyloid filaments in RELION-5.1

Os autores apresentam novas ferramentas integradas no RELION-5.1 para o processamento de imagens de microscopia crioeletrônica de filamentos amiloides, incluindo seleção automática, pré-processamento, classificação e regularização por rede neural, demonstrando sua eficácia na identificação de novos tipos de filamentos em dados experimentais de hIAPP.

O essencial

Imagine que você está tentando reconstruir um castelo de areia gigante, mas ele é feito de milhões de blocos minúsculos e idênticos, empilhados em espiral. Agora, imagine que você tem apenas fotos borradas e cheias de ruído desse castelo, tiradas de muito longe. Esse é o desafio de estudar os filamentos amiloides (agrupamentos de proteínas que causam doenças como Alzheimer e diabetes) usando microscopia eletrônica.

Os cientistas Lövestam, Shi, Li e Scheres escreveram um "manual de instruções" atualizado (chamado RELION-5.1) para ajudar a resolver esse quebra-cabeça. Eles criaram novas ferramentas para limpar as fotos, encontrar os castelos e separar os diferentes tipos de blocos.

Aqui está a explicação do que eles fizeram, usando analogias do dia a dia:

1. O "Detector de Padrão" Automático (O Novo Buscador)

Antes, encontrar esses filamentos nas fotos era como procurar agulhas em um palheiro, e muitas vezes as pessoas confundiam palha com agulha.

• O Problema: Os filamentos amiloides têm uma característica única: eles repetem um padrão a cada 4,75 angstrons (uma medida super pequena). É como se o castelo tivesse uma "assinatura" invisível.
• A Solução: Eles criaram um algoritmo que funciona como um detector de metal sintonizado apenas em ouro. Em vez de olhar para a foto inteira, ele varre a imagem procurando especificamente essa assinatura de 4,75.
• O Resultado: O computador ignora o que não é amiloide (como outras proteínas que parecem parecidas) e desenha linhas automáticas onde os filamentos estão. É como se o software tivesse olhos treinados para ver apenas o que importa.

2. O "Organizador de Festas" (A Ferramenta de Agrupamento)

Muitas vezes, em uma única amostra, existem vários tipos diferentes de filamentos misturados (como se você tivesse castelos de areia, blocos de madeira e pedras todos juntos na mesma caixa).

• O Problema: Se você tentar reconstruir tudo junto, o resultado fica uma bagunça. Você precisa separar os tipos.
• A Solução: Eles criaram uma ferramenta visual que funciona como um organizador de playlists. Ela olha para todas as peças do quebra-cabeça e pergunta: "Quais peças aparecem juntas nas mesmas fotos?"
• A Analogia: Imagine que cada filamento é uma pessoa em uma festa. O software olha para quem está conversando com quem (baseado em como as peças se parecem em 2D) e cria grupos. Se um grupo de pessoas gosta de música rock e outro de jazz, o software os separa em duas salas diferentes. Isso permite que os cientistas estudem cada "tipo" de filamento separadamente, sem confusão.

3. O "Filtro de Ruído" Especializado (A Rede Neural Blush)

Depois de separar as peças, é preciso limpar a imagem para ver os detalhes.

• O Problema: As fotos têm muito "chiado" (ruído), como uma rádio mal sintonizada. Uma ferramenta de limpeza genérica (que serve para qualquer coisa) às vezes apaga detalhes importantes ou cria fantasmas na imagem.
• A Solução: Eles pegaram uma ferramenta de limpeza existente (chamada Blush) e a treinaram especificamente para amiloides.
• A Analogia: Pense em um restaurador de pinturas. O restaurador antigo sabia limpar qualquer quadro, mas às vezes deixava marcas estranhas em quadros de paisagens. Eles pegaram esse restaurador, mostraram para ele milhares de fotos de apenas paisagens (amiloides) e disseram: "Agora, aprenda a limpar este tipo específico de quadro".
• O Resultado: A nova ferramenta remove o ruído sem apagar os detalhes finos das proteínas, evitando que o computador "alucine" estruturas que não existem.

4. A Descoberta: O Caso do "Castelo Imperfeito"

Eles testaram tudo isso em dois experimentos:

1. Um caso fácil (Tau): Funcionou perfeitamente, como um relógio suíço.
2. Um caso difícil (hIAPP - Diabetes): Aqui, eles encontraram algo interessante. Alguns filamentos não tinham a "assinatura" perfeita de 4,75. O buscador automático os ignorou.
   • Quando os cientistas tentaram pegar esses filamentos "imperfeitos" manualmente, as fotos 2D pareciam boas, mas a reconstrução 3D falhou e ficou borrada.
   • A Lição: O buscador automático foi mais inteligente que o olho humano. Ele percebeu que, embora parecessem filamentos, eles não estavam bem organizados o suficiente para criar um modelo 3D de alta qualidade. Isso economizou tempo e evitou resultados falsos.

Conclusão: Por que isso importa?

Essas ferramentas tornam o processo de descobrir a estrutura de proteínas doentes mais rápido, mais automático e menos propenso a erros.

É como passar de ter que desenhar um mapa à mão, com uma bússola quebrada, para usar um GPS de alta precisão que sabe exatamente onde você está, mesmo na neblina. Com isso, os cientistas podem descobrir mais rapidamente como essas proteínas se formam e, quem sabe, encontrar maneiras de impedir que elas causem doenças no futuro.

Resumo técnico

Resumo Técnico: Processamento de Imagens Cryo-EM de Filamentos Amiloides no RELION-5.1

Autores: Lövestam, Shi, Li et al. (MRC Laboratory of Molecular Biology, UK)
Data: Março de 2026 (Pré-impressão)
Software: RELION versão 5.1

---

1. O Problema

A determinação de estruturas atômicas de filamentos amiloides por microscopia eletrônica criogênica (cryo-EM) enfrenta desafios únicos em comparação com complexos macromoleculares globulares:

• Falta de características de baixa resolução: A ausência de características estruturais distintas ao longo do eixo helicoidal dificulta o alinhamento preciso.
• Mínimos locais: A reconstrução helicoidal tende a ficar presa em soluções incorretas (mínimos locais).
• Heterogeneidade estrutural: Um único conjunto de dados frequentemente contém misturas de diferentes tipos de filamentos (conformações distintas), que precisam ser separados para reconstruções confiáveis.
• Limitações de ferramentas anteriores: Embora existam avanços, a seleção automática de filamentos e a regularização de reconstruções difíceis ainda eram insuficientes, especialmente para dados com baixa relação sinal-ruído.

2. Metodologia e Contribuições Principais

Os autores introduzem um conjunto de novas ferramentas integradas ao RELION-5.1 para automatizar e melhorar o processamento de amiloides:

A. Seleção Automática de Filamentos (Auto-picker)

• Princípio: Baseia-se no sinal característico de repetição de 4,75 Å nos filamentos amiloides (distância entre as "escadas" das folhas $\beta$).
• Algoritmo:
  1. Calcula transformadas de Fourier 1D em múltiplas direções para detectar o pico de potência na faixa de 4,65–4,85 Å.
  2. Gera um mapa de "Figura de Mérito" (FOM) e um mapa de ângulos de rotação (PSI).
  3. Filtra contaminação por cristais de gelo (sinais espúrios em 4,2–4,4 Å).
  4. Utiliza uma Rede Neural (U-Net modificada) com normalização de instância e ativação GELU para classificar pixels como filamentos ou ruído.
• Vantagem: Insensível a filamentos não amiloides (ex.: actina) e capaz de processamento "on-the-fly" durante a aquisição de dados.

B. Pipeline de Pré-processamento Automatizado

• Implementado através de dois esquemas (Schemes) no RELION:
  • amyprep: Roda em CPU, realiza correção de movimento, estimativa de CTF e seleção de subconjuntos de micrografos com base na assimetria (skewness) do sinal FOM.
  • amyproc: Roda em GPU, utiliza a rede neural para traçar filamentos, extrair partículas e realizar classificação 2D em lotes.

C. Ferramenta Gráfica de Seleção de Tipos de Filamento

• Abordagem: Utiliza agrupamento bi-hierárquico (bi-hierarchical clustering) em vez de k-means simples.
• Mecanismo: Cria uma matriz de contagem de partículas (IDs de filamento $\times$ IDs de classes 2D). Como segmentos de um mesmo filamento geralmente pertencem ao mesmo tipo estrutural, a matriz exibe uma estrutura modular.
• Visualização: Agrupa classes 2D e filamentos semelhantes, permitindo a seleção visual e manual de subconjuntos de dados correspondentes a tipos de filamentos específicos, inclusive tipos raros.

D. Regularização Blush Específica para Amiloides

• Contexto: A regularização "Blush" usa uma rede neural para denoising, mas a versão original foi treinada em proteínas globulares.
• Inovação: Os autores re-trearam a rede neural especificamente em 318 reconstruções de amiloides (baseadas no Amyloid Atlas).
• Ajustes: Restrições de aumento de dados (apenas rotações de 90° no eixo helicoidal) para ensinar à rede a natureza repetitiva dos amiloides e o fato de que a densidade se estende até as bordas da caixa na direção Z.

3. Resultados

Conjunto de Dados 1: Tau Recombinante PAD12

• Desempenho: O pipeline automatizado processou 651 micrografos em ~3 horas.
• Resultado: Identificação de filamentos homogêneos (dobras de filamentos helicoidais pareados).
• Resolução: Ajuste fino (refinement) com a regularização Blush específica resultou em um mapa final de 3,2 Å, permitindo modelagem atômica de novo.

Conjunto de Dados 2: hIAPP S20G (Polipeptídeo Amilóide das Ilhotas Humanas)

• Desafio: Dados heterogêneos com 925 micrografos, contendo múltiplos tipos de filamentos e alguns com sinais FOM fracos.
• Descobertas:
  • A ferramenta de agrupamento identificou 8 clusters distintos de filamentos.
  • Novas Estruturas: Além de estruturas conhecidas, foram descobertos dois novos tipos de filamentos com 3 protofilamentos: um em conformação L + U (3PFLU) e outro em L + J (3PFLJ).
  • Resoluções: Mapas finais entre 3,0 Å e 3,6 Å para os diferentes tipos.
• Análise de Sinais Fracos: Filamentos que não apresentavam o sinal de 4,75 Å forte (não selecionados automaticamente) foram traçados manualmente. Embora gerassem boas médias 2D, suas reconstruções 3D estagnaram em 4,8 Å, falhando em resolver as camadas amiloides. Isso sugere que o auto-picker é superior para reconstruções de alta resolução, pois seleciona apenas filamentos bem ordenados.

Validação da Regularização Blush

• Em dados difíceis (ex.: Tau com sementes de Doença de Pick), a regularização padrão (treinada em globulares) produzia densidade "pontilhada" (dotty) e ruído radial.
• A regularização específica para amiloides eliminou esses artefatos, fornecendo densidade de cadeia principal conectada e melhor definição de cadeias laterais.

4. Significado e Conclusão

• Automação e Objetividade: O pipeline amyprep/amyproc permite o processamento totalmente automatizado de dados de amiloides, reduzindo a subjetividade e facilitando o processamento de alto rendimento.
• Descoberta de Novas Estruturas: A capacidade de separar tipos de filamentos heterogêneos sem múltiplas rodadas de classificação 3D manual acelerou a descoberta de novas conformações (3PFLU e 3PFLJ).
• Qualidade de Reconstrução: A rede neural Blush re-treinada resolve o problema de overfitting e densidade desconectada em dados de amiloides com baixo sinal-ruído, permitindo a obtenção de mapas de alta resolução (< 4 Å) em conjuntos de dados anteriormente considerados difíceis.
• Impacto Futuro: Essas ferramentas tornam a determinação estrutural de amiloides mais robusta, essencial para entender a patologia de doenças neurodegenerativas e diabetes tipo 2, além de facilitar a triagem de condições de montagem in vitro.

Em suma, o RELION-5.1, com essas atualizações, estabelece um novo padrão para o processamento de filamentos amiloides, combinando detecção baseada em Fourier, agrupamento hierárquico inteligente e regularização de rede neural especializada.