Automated in situ CryoET Structure Determination with a Self-Configuring Workflow
Este artigo apresenta um framework automatizado que integra o detector de aprendizado profundo autoconfigurável Octopi ao fluxo de trabalho padronizado py2rely para permitir a determinação de estruturas de criotomografia eletrônica in situ de alta resolução (3–20 Å) através de diversas amostras biológicas com intervenção mínima de especialistas.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA de um preprint que não foi revisado por pares. Não é aconselhamento médico. Não tome decisões de saúde com base neste conteúdo. Ler aviso legal completo
Dentro de cada célula viva, uma cidade agitada de máquinas moleculares opera em três dimensões, construindo proteínas, copiando o código genético e transportando materiais. Para entender como a vida funciona em seu nível mais fundamental, os cientistas precisam ver essas máquinas não apenas como partes isoladas, mas como elas existem em seu ambiente natural e congestionado. Durante anos, pesquisadores utilizaram uma técnica chamada criotomografia eletrônica para tirar instantâneos tridimensionais dessas células congeladas. Este método permite que eles observem o interior da paisagem celular, mas transformar essas imagens brutas em estruturas claras e de alta resolução continuou sendo um processo manual e difícil. É como ter uma biblioteca de fotografias borradas onde cada livro é ligeiramente diferente; para ler o texto, um especialista humano deve escolher cuidadosamente cada livro, alinhá-lo com outros e nitidez a imagem manualmente. Este gargalo limitou o número de estruturas que os cientistas podem estudar, deixando grande parte do mundo celular inexplorado.
Uma equipe de pesquisadores do Chan Zuckerberg Biohub construiu agora um sistema que automatiza todo esse processo, transformando uma tarefa de mão de obra intensiva em um fluxo de trabalho autoconfigurável. Eles desenvolveram duas ferramentas principais que trabalham juntas: uma para encontrar as máquinas moleculares no ruído celular complexo, e outra para montar as estruturas nítidas a partir desses achados. A primeira ferramenta, chamada Octopi, atua como um detector inteligente. Em vez de depender de um humano para ensinar o que procurar em cada novo experimento, o Octopi utiliza um método de tentativa e erro para ajustar automaticamente suas próprias configurações internas para se adequar aos dados específicos que está analisando. Ele aprende a reconhecer a forma e o sinal de uma molécula alvo, mesmo quando essa molécula está cercada por membranas ou outros detritos celulares. Uma vez que o Octopi identifica a localização dessas moléculas, a segunda ferramenta, chamada py2rely, assume o controle. Este sistema reúne as peças identificadas e as combina matematicamente, refinando a imagem através de ciclos repetidos até que uma estrutura tridimensional nítida emerja.
Os pesquisadores testaram este sistema automatizado em dezessete tarefas diferentes, variando de moléculas purificadas em um tubo de ensaio a células bacterianas intactas e complexas e células humanas. Em todos os casos, o sistema funcionou sem a necessidade de um humano para reconfigurar o software para cada novo conjunto de dados. Quando o aplicaram a um conjunto de dados de referência padrão contendo seis tipos diferentes de moléculas, o detector automatizado encontrou os alvos com a mesma precisão dos modelos projetados por humanos de alto desempenho de uma competição internacional recente. Mais importante ainda, as estruturas construídas a partir desses achados automatizados foram tão claras quanto. Para alguns alvos, o sistema produziu imagens com uma resolução de 3,0 Ångströms, um nível de detalhe nítido o suficiente para ver átomos individuais. Em outros casos desafiadores, como moléculas presas a membranas celulares, o sistema ainda conseguiu produzir estruturas com resoluções entre 10 e 20 Ångströms, revelando a forma geral e as características principais dos complexos.
Um dos feitos mais significativos foi a capacidade do sistema de lidar com ambientes difíceis onde o sinal é fraco ou obscurecido. Em células humanas, os pesquisadores pediram ao sistema para distinguir entre ribossomos flutuando livremente no fluido celular e aqueles presos às membranas internas da célula. Ao treinar o detector com apenas alguns exemplos rotulados manualmente, o sistema aprendeu a reconhecer ambos os grupos e as próprias membranas simultaneamente. Ele separou com sucesso as duas populações e construiu estruturas claras para cada uma, revelando inclusive um complexo proteico ligado à membrana que havia sido visto em estudos anteriores. Da mesma forma, em células bacterianas, o sistema identificou grandes anéis proteicos e partículas do tipo vírus no denso citoplasma bacteriano usando apenas um punhado de exemplos de treinamento. Ele até se generalizou para novos conjuntos de dados não vistos, funcionando corretamente em diferentes tipos de preparações celulares sem qualquer ajuste adicional.
O estudo também demonstrou que esta abordagem automatizada pode melhorar resultados anteriores. Quando a equipe aplicou seu fluxo de trabalho de construção de estruturas automatizado a dados de uma competição, as imagens resultantes foram significativamente mais nítidas do que as originalmente publicadas. Por exemplo, uma estrutura de ribossomo que anteriormente havia sido resolvida em 6,8 Ångströms foi melhorada para 3,7 Ångströms simplesmente usando os novos passos de processamento consistentes. Isso sugere que as limitações anteriores não se deviam aos dados em si, mas à natureza manual e variável da análise. Os pesquisadores descobriram que o sistema poderia até aprender com informações muito esparsas; para um alvo difícil, um modelo treinado com apenas cinquenta exemplos marcados manualmente foi suficiente para gerar uma estrutura de alta qualidade.
Embora o sistema seja altamente eficaz, os pesquisadores observaram uma área onde a intervenção humana ainda era necessária. Para um complexo proteico específico encontrado em vesículas sinápticas, o fluxo de trabalho automatizado precisou que um humano selecionasse manualmente o melhor grupo de partículas e ajustasse a máscara de análise. Esta exceção destaca que, embora o sistema possa lidar com a maioria dos cenários, os alvos associados à membrana mais complexos ainda se beneficiam da supervisão de especialistas. No entanto, o sucesso geral do projeto prova que um caminho geral e automatizado do dado bruto à estrutura atômica é agora possível. Ao remover a necessidade de seleção de partículas guiada por especialistas e montagem de fluxo de trabalho customizado, este novo framework abre as portas para estudar uma vasta gama de estruturas celulares em uma escala que era anteriormente impossível, permitindo que cientistas mapeiem a maquinaria molecular da vida com velocidade e consistência sem precedentes.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.