Ny metode for tolking av cryo-EM kart gjør det lettere å bestemme proteinstrukturer

Anonim

En ny algoritme tolker resultatene av kryo-elektronmikroskopi kartene lettere og mer nøyaktig, og hjelper forskere til å bestemme proteinstrukturer og potensielt lage stoffer som blokkerer funksjonene sine.

Kryo-elektronmikroskopi, eller cryo-EM, bruker elektronstråler for å oppnå 3-D-bilder av biomolekylære strukturer. Bruken av denne teknikken har hevet de siste årene på grunn av teknologiske fremskritt, men etter hvert som Cryo-EM får damp i feltet, er det nødvendig med flere verktøy for å tolke bildene den utsender.

Det endelige produktet av cryo-EM er et kart over tettheten av atomer i biologiske molekyler, inkludert proteiner og nukleotider. For å få detaljnivået de virkelig trenger, må forskere identifisere atom- eller aminosyrerestposisjoner i et kart, som krever spesialisert dataanalyse. Programmer som gjør dette eksisterer, men de er ikke alltid nøyaktige eller enkle å bruke, sa Daisuke Kihara, professor i biovitenskap og datavitenskap ved Purdue University.

Kihara og en postdoktoralforsker i laboratoriet hans, Genki Terashi, har opprettet en helautomatisert algoritme for tolkning av kart av proteiner på lavere enn ideell oppløsning - rundt 4 til 5 ångstrøm (Å, en lengde for å uttrykke størrelsen på atomer og molekyler). Mange lignende verktøy ble utviklet for mer detaljerte bilder eller røntgenkrystallografi, som ikke fungerer så godt for lavere oppløsning cryo-EM-bilder.

Kihara's program, MAINMAST, identifiserer lokale tetthetspoeng i et gitt EM-kart og kobler dem til en trestruktur - som å knytte prikkene. Algoritmen prøver forskjellige parametere for å definere tetthetspunkter og grener i et tre.

"Med denne metoden trenger du ikke å justere parametrene fra 1 til 1, 2 til 1, 5, eller trenger noen ekspertvitenskap om hvordan du gjør dette. Vanligvis, når folk bruker denne typen programvare, er det kritisk, sier Kihara. "Denne algoritmen har de forskjellige parameterne allerede inne, slik at brukerne ikke trenger å gjøre noe annet enn å vente."

De genererte trærne blir deretter rangert med en poengsum som evaluerer deres likhet med tettheten av hver aminosyre i proteinsekvensen. Topp 500 modi er fullstendig rekonstruert og raffinert.

Andre metoder for tolking av kryo-EM-kart finnes, men mange ser på liknende, tidligere løste proteinkonstruksjoner som utgangspunkt.

"Hvis strukturer av lignende proteiner allerede er løst, er dette et opplagt sted å starte fordi den nye strukturen sannsynligvis ligner lik, " sa Kihara. "Referansebaserte metoder kan være nøyaktige, men hvis du løser en helt ny struktur, kan du ikke bruke dem fordi du ikke har noe å starte med."

MAINMAST stoler ikke på tidligere løste strukturer for å komme i gang - det er en helt "de novo" meathod og modellerer dermed nye strukturer som bare bruker informasjon fra EM-tetthetskart.

MAINMAST tildeler konfidensnivåer til forskjellige regioner i kartet, som forteller brukere hvilke regioner som sannsynligvis vil være nøyaktige, og som skal kontrolleres manuelt. Hvis forskeren vet noe biologisk informasjon, kan de visuelt se hvilke strukturer som er enige med deres kunnskap om proteinet, sa Kihara.

På den annen side utgjør de novo-tilnærmingen noen utfordringer. Noen ganger trenger MAINMASTs strukturer litt mer raffinement, fordi programmet ikke vet hvilke proteinstrukturer som egentlig ser ut. Og hvis et cryo-EM-kart er lavoppløselig og ikke har tetthet i noen områder, kan MAINMAST ikke fylle disse delene. Kihara håper å rette opp disse feilene i fremtiden, sa han.

På EM-tetthetskart mellom 2, 6 og 4, 8 Å oppløsning utførte MAINMAST vesentlig bedre enn to andre eksisterende de novo-metoder. Koden er tilgjengelig nå, og Kihara team jobber for å gjøre plugin mer brukervennlig.

Resultatene ble publisert i journal Nature Communications .

menu
menu