Wetenschap
Daisuke Kihara en Genki Terashi hebben een nieuwe methode ontwikkeld voor het interpreteren van dichtheidskaarten die zijn bepaald met cryo-elektronenmicroscopie. Credit:Purdue University-foto / John Underwood
Een nieuw algoritme maakt het interpreteren van de resultaten van cryo-elektronenmicroscopiekaarten eenvoudiger en nauwkeuriger, het helpen van onderzoekers om eiwitstructuren te bepalen en mogelijk medicijnen te creëren die hun functies blokkeren.
Cryo-elektronenmicroscopie, of cryo-EM, gebruikt elektronenstralen om 3D-beelden van biomoleculaire structuren te verkrijgen. Het gebruik van deze techniek is de afgelopen jaren enorm toegenomen door technologische vooruitgang, maar naarmate cryo-EM op stoom komt in het veld, er zijn extra hulpmiddelen nodig om de afbeeldingen die het uitvoert te interpreteren.
Het eindproduct van cryo-EM is een kaart van de dichtheid van atomen in biologische moleculen, inclusief eiwitten en nucleotiden. Om het detailniveau te krijgen dat ze echt nodig hebben, onderzoekers moeten atoom- of aminozuurrestposities op een kaart identificeren, waarvoor gespecialiseerde computeranalyse vereist is. Er bestaan programma's die dit doen, maar ze zijn niet altijd nauwkeurig of gemakkelijk te gebruiken, zei Daisuk Kihara, een professor in biologische wetenschappen en informatica aan de Purdue University.
Kihara en een postdoctoraal onderzoeker in zijn lab, Genki Terashi, hebben een volledig geautomatiseerd algoritme gemaakt voor het interpreteren van kaarten van eiwitten met een lagere dan ideale resolutie - ongeveer 4 tot 5 ångström (Å, een lengte-eenheid om de grootte van atomen en moleculen uit te drukken). Er zijn veel vergelijkbare tools ontwikkeld voor meer gedetailleerde afbeeldingen of röntgenkristallografie, die niet zo goed werken voor cryo-EM-beelden met een lagere resolutie.
Kihara's programma, GROTE MAST, identificeert lokale dichtheidspunten in een gegeven EM-kaart en verbindt ze in een boomstructuur - zoals het verbinden van de punten. Het algoritme probeert verschillende parameters uit voor het definiëren van dichtheidspunten en takken in een boom.
"Met deze methode u hoeft de parameters niet af te stemmen van 1 tot 1.2 tot 1.5, of enige deskundige kennis nodig hebben over hoe u dit moet doen. Typisch, als mensen dit soort software gebruiken, dat is cruciaal, "Zei Kihara. "Dit algoritme heeft de verschillende parameters al binnen, zodat gebruikers niets anders hoeven te doen dan afwachten."
De gegenereerde bomen worden vervolgens gerangschikt op een score die hun overeenkomst met de dichtheid van elk aminozuur in de eiwitsequentie evalueert. De top 500 modi zijn volledig gereconstrueerd en verfijnd.
Er zijn andere methoden voor het interpreteren van cryo-EM-kaarten, maar velen lijken op elkaar, eerder opgeloste eiwitstructuren als uitgangspunt.
"Als structuren van vergelijkbare eiwitten al zijn opgelost, dit is een voor de hand liggende plek om te beginnen omdat de nieuwe structuur er waarschijnlijk hetzelfde uitziet, "Zei Kihara. "Referentiegebaseerde methoden kunnen nauwkeurig zijn, maar als je een compleet nieuwe structuur aan het oplossen bent, je kunt ze niet gebruiken omdat je niets hebt om mee te beginnen."
MAINMAST vertrouwt niet op eerder opgeloste structuren om aan de slag te gaan - het is een volledig "de novo" vleeshod en, dus, modelleert nieuwe structuren met alleen informatie van EM-dichtheidskaarten.
MAINMAST wijst betrouwbaarheidsniveaus toe aan verschillende regio's van de kaart, die gebruikers vertelt welke regio's waarschijnlijk nauwkeurig zijn en welke handmatig moeten worden gecontroleerd. Als de onderzoeker biologische informatie kent, ze kunnen visueel zien welke structuren overeenkomen met hun kennis van het eiwit, zei Kihara.
Anderzijds, de de novo benadering brengt enkele uitdagingen met zich mee. Soms hebben de structuren van MAINMAST wat meer verfijning nodig, omdat het programma niet weet hoe eiwitstructuren er echt uitzien. En als een cryo-EM-kaart een lage resolutie heeft en in sommige gebieden geen dichtheid heeft, MAINMAST kan die delen niet vullen. Kihara hoopt deze fouten in de toekomst te corrigeren, hij zei.
Op EM-dichtheidskaarten tussen 2,6 en 4,8 Å resolutie, MAINMAST presteerde aanzienlijk beter dan twee andere bestaande de novo methoden. De code is nu beschikbaar, en het team van Kihara werkt eraan om de plug-in gebruiksvriendelijker te maken.
De bevindingen werden gepubliceerd in het tijdschrift Natuurcommunicatie .
Wetenschap © https://nl.scienceaq.com