Un nuovo algoritmo rende l'interpretazione dei risultati delle mappe di microscopia crioelettronica più semplice e accurata, aiutando i ricercatori a determinare le strutture proteiche e potenzialmente a creare farmaci che ne bloccano le funzioni.

Microscopia crioelettronica, o crio-EM, utilizza fasci di elettroni per ottenere immagini 3D di strutture biomolecolari. L'uso di questa tecnica è salito alle stelle negli ultimi anni grazie ai progressi tecnologici, ma mentre il crio-EM guadagna vapore sul campo, sono necessari strumenti aggiuntivi per interpretare le immagini che produce.

Il prodotto finale del crio-EM è una mappa della densità degli atomi nelle molecole biologiche, comprese proteine ​​e nucleotidi. Per ottenere il livello di dettaglio di cui hanno veramente bisogno, i ricercatori devono identificare le posizioni dei residui di atomi o amminoacidi in una mappa, che richiede analisi informatiche specializzate. Esistono programmi che fanno questo, ma non sono sempre precisi o facili da usare, disse Daisuke Kihara, professore di scienze biologiche e informatica alla Purdue University.

Kihara e un ricercatore post-dottorato nel suo laboratorio, Genki Terashi, hanno creato un algoritmo completamente automatizzato per interpretare mappe di proteine ​​a una risoluzione inferiore a quella ideale - circa 4-5 ångström (Å, un'unità di lunghezza per esprimere la dimensione di atomi e molecole). Molti strumenti simili sono stati sviluppati per immagini più dettagliate o cristallografia a raggi X, che non funzionano altrettanto bene per le immagini crio-EM a bassa risoluzione.

Il programma di Kihara, ALBERO PRINCIPALE, identifica i punti di densità locale in una data mappa EM e li collega in una struttura ad albero, come unendo i punti. L'algoritmo prova diversi parametri per definire punti di densità e rami in un albero.

"Con questo metodo, non è necessario regolare i parametri da 1 a 1.2 a 1.5, o hai bisogno di una conoscenza esperta su come farlo. Tipicamente, quando le persone usano questo tipo di software, questo è critico, " ha detto Kihara. "Questo algoritmo ha i diversi parametri già all'interno, quindi gli utenti non devono fare altro che aspettare."

Gli alberi generati vengono quindi classificati in base a un punteggio che valuta la loro somiglianza con la densità di ciascun amminoacido nella sequenza proteica. Le prime 500 modalità sono completamente ricostruite e perfezionate.

Esistono altri metodi per interpretare le mappe crio-EM, ma molti sembrano simili, strutture proteiche precedentemente risolte come punto di partenza.

"Se le strutture di proteine ​​simili sono già state risolte, questo è un punto di partenza ovvio perché la nuova struttura probabilmente sembra simile, " Kihara ha detto. "I metodi basati sui riferimenti possono essere accurati, ma se stai risolvendo una struttura completamente nuova, non puoi usarli perché non hai nulla con cui iniziare."

MAINMAST non si basa su strutture precedentemente risolte per iniziare:è un method completamente "de novo" e, così, modella nuove strutture utilizzando solo informazioni provenienti da mappe di densità EM.

MAINMAST assegna livelli di confidenza a diverse regioni della mappa, che indica agli utenti quali regioni potrebbero essere accurate e quali dovrebbero essere controllate manualmente. Se il ricercatore conosce alcune informazioni biologiche, possono vedere visivamente quali strutture concordano con la loro conoscenza della proteina, ha detto Kihara.

D'altra parte, l'approccio de novo pone alcune sfide. A volte le strutture di MAINMAST hanno bisogno di un po' più di raffinatezza, perché il programma non sa che aspetto hanno veramente le strutture proteiche. E se una mappa crio-EM è a bassa risoluzione e non ha densità in alcune aree, MAINMAST non può riempire quelle parti. Kihara spera di correggere questi difetti in futuro, Egli ha detto.

Sulle mappe di densità EM tra 2,6 e 4,8 di risoluzione, MAINAST ha ottenuto risultati sostanzialmente migliori rispetto ad altri due metodi de novo esistenti. Il codice è ora disponibile, e il team di Kihara sta lavorando per rendere il plugin più facile da usare.

I risultati sono stati pubblicati sulla rivista Comunicazioni sulla natura .