Cryo-elektronenmicroscopie is nu de meest populaire methode voor het bepalen van eiwitstructuren, die onderzoekers helpt bij het ontwikkelen van medicijnen voor verschillende soorten aandoeningen. In de afgelopen decennia, het heeft röntgenkristallografie vervangen omdat het eiwitten kan afbeelden die niet gemakkelijk tot grote kristallen kunnen worden gevormd. De nieuwe techniek was zo revolutionair dat het zijn ontwikkelaars de Nobelprijs voor scheikunde 2017 opleverde.

Het eindproduct van cryo-EM is een kaart van de dichtheid van atomen in biologische moleculen, maar om het detailniveau te bereiken dat onderzoekers nodig hebben, ze moeten verdere analyses uitvoeren. Een nieuwe studie in het tijdschrift Natuurmethoden schetst een techniek om kaarten met een lage resolutie op peil te brengen.

De aanpak die onderzoekers daarbij gebruiken, hangt af van het detailniveau waarmee ze beginnen. Kaarten op 2 tot 3 ångström (Å, een lengte-eenheid die wordt gebruikt om de grootte van atomen en moleculen uit te drukken) worden over het algemeen als een hoge resolutie beschouwd. Echter, kaarten van deze kwaliteit zijn moeilijk te realiseren, en velen worden nog steeds algemeen geproduceerd in het bereik van 4 tot 10 . Van alle eiwitten die van 2016-18 zijn gedeponeerd in de Electron Microscopy Data Bank, meer dan 50% werd opgelost met een gemiddelde resolutie.

"Als de resolutie beter is dan drie, dan kunnen conventionele hulpmiddelen de aminozuurpositie traceren en een kaart van atoomposities bouwen. Maar vaak kan cryo-EM je geen 3 kaart geven, " zei Daisuke Kihara, een professor in biologische wetenschappen en informatica aan de Purdue University. "In kaarten van 5 Å of lager, je kunt meestal helemaal geen ketenconnectiviteit zien."

Eiwitten zijn eigenlijk ketens van aminozuren, en binding tussen aminogroepen en carboxylgroepen creëert soms bepaalde vouwpatronen. Deze patronen, bekend als alfa-helices en beta-strengen, vormen de secundaire structuur van het eiwit.

In kaarten van 5 tot 8 Å, sommige fragmenten van de secundaire structuur van eiwitten zijn meestal zichtbaar, maar het zou erg moeilijk zijn om de hele keten te traceren. Kihara's nieuwe methode, bekend als Emap2sec, onthult secundaire structuren in kaarten van 6 tot 10 Å.

Emap2sec heeft een diep convolutief neuraal netwerk in de kern van zijn algoritme. Deze netwerken zijn deep learning-systemen die voornamelijk worden gebruikt om afbeeldingen, cluster ze op gelijkenis en voer objectherkenning uit. Het werkt voor identificatie van eiwitstructuren in 3D-kaarten omdat de methode lokale kaartdichtheidskenmerken "convolueert" naar afbeeldingen van een groter gebied terwijl de informatie door lagen van neuraal netwerk gaat. De lokale voorspelling wordt gedaan in de context van een groot gebied van de kaart.

Geïdentificeerde secundaire structuren in 3D-kaarten helpen onderzoekers om bekende structuren van eiwitten die al in de kaart zijn opgelost, toe te wijzen. Daardoor hebben ze soms een uitgangspunt, of op zijn minst een idee van hoe een deel van de structuur eruit ziet. Emap2sec kan onderzoekers helpen hun stukje sneller en gemakkelijker in de puzzel te passen. De geïdentificeerde structuurinformatie kan ook nuttig zijn bij het vinden van fouten in structuurmodellering.