Automatiseret pipeline forbedrer adgangen til avancerede mikroskopidata

En ny databehandlingstilgang skabt af forskere ved University of Michigan Life Sciences Institute tilbyder en enklere, hurtigere vej til data genereret af kryo-elektronmikroskopiinstrumenter, fjerne en barriere for bredere anvendelse af denne kraftfulde teknik.

Cryo-EM gør det muligt for forskere at bestemme 3D-formen af ​​cellulære proteiner og andre molekyler, der er blevet flash-frosset i et tyndt lag is. Avancerede mikroskoper sender højenergielektroner gennem isen, mens de optager tusindvis af videoer. Disse videoer beregnes derefter i gennemsnit for at skabe en 3D-struktur af molekylet.

Ved at afdække de præcise strukturer af disse molekyler, forskere kan besvare vigtige spørgsmål om, hvordan molekylerne fungerer i celler, og hvordan de kan bidrage til menneskers sundhed og sygdom. For eksempel, forskere brugte for nylig cryo-EM til at afsløre, hvordan en proteinspids på COVID-19-virussen sætter den i stand til at komme ind i værtsceller.

Nylige fremskridt inden for cryo-EM-teknologi har hurtigt åbnet dette felt for nye brugere og øget hastigheden, hvormed data kan indsamles. På trods af disse forbedringer, imidlertid, forskere står stadig over for en betydelig hindring for at få adgang til det fulde potentiale af denne teknik:det komplekse databehandlingslandskab, der kræves for at omdanne mikroskopets terabytes af data til en 3D-struktur klar til analyse.

Før forskere kan begynde at analysere den 3D-struktur, de ønsker at studere, de skal gennemføre en række forbehandlingstrin og subjektive beslutninger. I øjeblikket, disse trin skal overvåges af mennesker - og fordi forskere bruger cryo-EM til at analysere et stort udvalg af molekyletyper, videnskabsmænd mente, at det var næsten umuligt at skabe et generelt sæt retningslinjer, som alle forskere kunne følge for disse trin, sagde Yilai Li, en Willis Life Sciences Fellow ved LSI, der ledede udviklingen af ​​det nye program.

"Hvis vi kan oprette en automatiseret pipeline til disse forbehandlingstrin, hele processen kunne være meget mere brugervenlig, især for nybegyndere på området, " sagde Li.

Brug af maskinlæring, Li og hans kolleger i laboratoriet hos LSI-assistent professor Michael Cianfrocco har udviklet netop sådan en pipeline. Programmet blev offentliggjort 14. april som en del af en undersøgelse i tidsskriftet Struktur .

Det nye program forbinder adskillige dybdelærings- og billedanalyseværktøjer med allerede eksisterende softwaredataforbehandlingsalgoritmer for at indsnævre enorme datasæt til den information, som forskere skal bruge for at begynde deres analyse.

"Denne pipeline tager den viden, som erfarne brugere har fået, og sætter den i et program, der forbedrer tilgængeligheden for brugere fra en række baggrunde, " sagde Cianfrocco, som også er adjunkt i biologisk kemi ved U-M Medical School. "Det strømliner virkelig processtadiet, så forskerne kan hoppe ind og fokusere på det, der er vigtigt:de videnskabelige spørgsmål, de vil stille og besvare."

Undersøgelsen vises i tidsskriftet Struktur .