Een nieuwe benadering van gegevensverwerking, ontwikkeld door wetenschappers van het Life Sciences Institute van de University of Michigan, biedt een eenvoudiger, sneller pad naar gegevens gegenereerd door cryo-elektronenmicroscopie-instrumenten, het wegnemen van een barrière voor een bredere toepassing van deze krachtige techniek.

Met Cryo-EM kunnen wetenschappers de 3D-vorm bepalen van cellulaire eiwitten en andere moleculen die in een dunne laag ijs zijn ingevroren. Geavanceerde microscopen stralen energierijke elektronen door het ijs en leggen duizenden video's vast. Deze video's worden vervolgens gemiddeld om een ​​3D-structuur van het molecuul te maken.

Door de precieze structuren van deze moleculen bloot te leggen, onderzoekers kunnen belangrijke vragen beantwoorden over hoe de moleculen in cellen functioneren en hoe ze kunnen bijdragen aan de menselijke gezondheid en ziekte. Bijvoorbeeld, onderzoekers hebben onlangs cryo-EM gebruikt om te onthullen hoe een eiwitpiek op het COVID-19-virus het in staat stelt om de gastheercellen binnen te dringen.

Recente ontwikkelingen in cryo-EM-technologie hebben dit veld snel geopend voor nieuwe gebruikers en de snelheid waarmee gegevens kunnen worden verzameld, verhoogd. Ondanks deze verbeteringen, echter, onderzoekers staan ​​nog steeds voor een aanzienlijke hindernis om toegang te krijgen tot het volledige potentieel van deze techniek:het complexe gegevensverwerkingslandschap dat nodig is om de terabytes aan gegevens van de microscoop om te zetten in een 3D-structuur die klaar is voor analyse.

Voordat onderzoekers kunnen beginnen met het analyseren van de 3D-structuur die ze willen bestuderen, ze moeten een reeks voorbewerkingsstappen en subjectieve beslissingen doorlopen. Momenteel, deze stappen moeten door mensen worden gecontroleerd - en omdat onderzoekers cryo-EM gebruiken om een ​​grote verscheidenheid aan molecuultypen te analyseren, wetenschappers dachten dat het bijna onmogelijk was om een ​​algemene set richtlijnen te maken die alle onderzoekers voor deze stappen konden volgen, zei Yilai Li, een Willis Life Sciences Fellow bij de LSI die de ontwikkeling van het nieuwe programma leidde.

"Als we een geautomatiseerde pijplijn kunnen creëren voor die voorbewerkingsstappen, het hele proces kan veel gebruiksvriendelijker, speciaal voor nieuwkomers in het veld, ' zei Li.

Met behulp van machinaal leren, Li en zijn collega's in het lab van LSI-assistent-professor Michael Cianfrocco hebben zo'n pijplijn ontwikkeld. Het programma werd op 14 april gepubliceerd als onderdeel van een studie in het tijdschrift Structuur .

Het nieuwe programma verbindt verschillende tools voor diepgaand leren en beeldanalyse met reeds bestaande algoritmen voor het voorbewerken van softwaregegevens om enorme datasets te beperken tot de informatie die onderzoekers nodig hebben om met hun analyse te beginnen.

"Deze pijplijn neemt de kennis die ervaren gebruikers hebben opgedaan en zet deze om in een programma dat de toegankelijkheid verbetert voor gebruikers met verschillende achtergronden, zei Cianfrocco, die ook een assistent-professor biologische chemie is aan de UM Medical School. "Het stroomlijnt echt de procesfase, zodat onderzoekers kunnen inspringen en zich kunnen concentreren op wat belangrijk is:de wetenschappelijke vragen die ze willen stellen en beantwoorden."

De studie verschijnt in het tijdschrift Structuur .