Ny metode til fortolkning af cryo-EM-kort gør det lettere at bestemme proteinstrukturer

En ny algoritme gør fortolkning af resultaterne af kryo-elektronmikroskopikort lettere og mere præcis, hjælpe forskere med at bestemme proteinstrukturer og potentielt skabe lægemidler, der blokerer deres funktioner.

Cryo-elektronmikroskopi, eller cryo-EM, bruger elektronstråler til at opnå 3D-billeder af biomolekylære strukturer. Brugen af ​​denne teknik er skudt i vejret i de seneste år på grund af teknologiske fremskridt, men da cryo-EM vinder damp i marken, yderligere værktøjer er nødvendige for at fortolke de billeder, det udsender.

Slutproduktet af cryo-EM er et kort over densiteten af ​​atomer i biologiske molekyler, herunder proteiner og nukleotider. For at få det detaljeringsniveau, de virkelig har brug for, forskere skal identificere atom- eller aminosyrerestpositioner på et kort, som kræver specialiseret computeranalyse. Programmer, der gør dette, findes, men de er ikke altid nøjagtige eller lette at bruge, sagde Daisuke Kihara, professor i biologiske videnskaber og datalogi ved Purdue University.

Kihara og en postdoktor i sit laboratorium, Genki Terashi, har skabt en fuldautomatisk algoritme til fortolkning af kort over proteiner ved lavere end ideel opløsning - omkring 4 til 5 ångström (Å, en længdeenhed for at udtrykke størrelsen af ​​atomer og molekyler). Mange lignende værktøjer blev udviklet til mere detaljerede billeder eller røntgenkrystallografi, som ikke fungerer så godt til kryo-EM-billeder med lavere opløsning.

Kiharas program, HOVEDMAST, identificerer lokale tæthedspunkter i et givet EM -kort og forbinder dem med en træstruktur - som at forbinde prikkerne. Algoritmen forsøger forskellige parametre til at definere tæthedspunkter og grene i et træ.

"Med denne metode, du behøver ikke at indstille parametrene fra 1 til 1,2 til 1,5, eller har brug for ekspertviden om, hvordan du gør dette. Typisk, når folk bruger denne form for software, det er kritisk, "Sagde Kihara." Denne algoritme har de forskellige parametre allerede indeni, så brugerne ikke behøver gøre andet end at vente. "

De genererede træer rangeres derefter efter en score, der vurderer deres lighed med tætheden af ​​hver aminosyre i proteinsekvensen. De 500 bedste tilstande er fuldstændigt rekonstrueret og forfinet.

Der findes andre metoder til fortolkning af cryo-EM-kort, men mange ligner lignende, tidligere løst proteinstrukturer som udgangspunkt.

"Hvis strukturer af lignende proteiner allerede er blevet løst, dette er et oplagt sted at starte, fordi den nye struktur sandsynligvis ligner, "Sagde Kihara." Referencebaserede metoder kan være nøjagtige, men hvis du løser en helt ny struktur, du kan ikke bruge dem, fordi du ikke har noget at starte med. "

MAINMAST stoler ikke på tidligere løste strukturer for at komme i gang - det er en fuldstændig "de novo" meathod og, dermed, modellerer nye strukturer, der kun anvender oplysninger fra EM -tæthedskort.

MAINMAST tildeler konfidensniveauer til forskellige regioner på kortet, som fortæller brugerne, hvilke regioner der sandsynligvis vil være nøjagtige, og som skal kontrolleres manuelt. Hvis forskeren kender nogle biologiske oplysninger, de kan visuelt se, hvilke strukturer der stemmer overens med deres viden om proteinet, Sagde Kihara.

På den anden side, de novo -metoden stiller nogle udfordringer. Nogle gange har MAINMASTs strukturer brug for lidt mere forfining, fordi programmet ikke ved, hvordan proteinstrukturer virkelig ser ud. Og hvis et cryo-EM-kort har lav opløsning og ikke har tæthed i nogle områder, MAINMAST kan ikke fylde disse dele. Kihara håber at rette op på disse fejl i fremtiden, han sagde.

På kort med EM -tæthed mellem 2,6 og 4,8 Å opløsning, MAINMAST klarede sig væsentligt bedre end to andre eksisterende de novo -metoder. Koden er tilgængelig nu, og Kiharas team arbejder på at gøre pluginet mere brugervenligt.

Resultaterne blev offentliggjort i tidsskriftet Naturkommunikation .