Un nuovo approccio all'elaborazione dei dati creato dagli scienziati dell'Università del Michigan Life Sciences Institute offre un approccio più semplice, percorso più rapido ai dati generati da strumenti di microscopia crioelettronica, rimuovendo una barriera all'adozione più ampia di questa potente tecnica.

Cryo-EM consente agli scienziati di determinare la forma 3D delle proteine ​​cellulari e di altre molecole che sono state congelate istantaneamente in un sottile strato di ghiaccio. I microscopi avanzati trasmettono elettroni ad alta energia attraverso il ghiaccio mentre catturano migliaia di video. Questi video vengono quindi mediati per creare una struttura 3D della molecola.

Scoprendo le strutture precise di queste molecole, i ricercatori possono rispondere a importanti domande su come funzionano le molecole nelle cellule e su come potrebbero contribuire alla salute e alle malattie umane. Per esempio, i ricercatori hanno recentemente utilizzato la crio-EM per rivelare come un picco proteico sul virus COVID-19 gli consente di entrare nelle cellule ospiti.

I recenti progressi nella tecnologia crio-EM hanno rapidamente aperto questo campo a nuovi utenti e hanno aumentato la velocità con cui i dati possono essere raccolti. Nonostante questi miglioramenti, però, i ricercatori devono ancora affrontare un ostacolo sostanziale nell'accedere al pieno potenziale di questa tecnica:il complesso panorama di elaborazione dei dati necessario per trasformare i terabyte di dati del microscopio in una struttura 3D pronta per l'analisi.

Prima che i ricercatori possano iniziare ad analizzare la struttura 3D che vogliono studiare, devono completare una serie di passaggi di pre-elaborazione e decisioni soggettive. Attualmente, questi passaggi devono essere supervisionati dagli esseri umani e poiché i ricercatori utilizzano la crio-EM per analizzare un'enorme varietà di tipi di molecole, gli scienziati pensavano che fosse quasi impossibile creare una serie generale di linee guida che tutti i ricercatori potessero seguire per questi passaggi, disse Yilai Li, un Willis Life Sciences Fellow presso la LSI che ha guidato lo sviluppo del nuovo programma.

"Se siamo in grado di creare una pipeline automatizzata per questi passaggi di pre-elaborazione, l'intero processo potrebbe essere molto più user-friendly, soprattutto per i nuovi arrivati ​​sul campo, " disse Li.

Utilizzando l'apprendimento automatico, Li ei suoi colleghi nel laboratorio dell'assistente professore della LSI Michael Cianfrocco hanno sviluppato proprio una tale pipeline. Il programma è stato pubblicato il 14 aprile come parte di uno studio sulla rivista Struttura .

Il nuovo programma collega diversi strumenti di deep learning e analisi delle immagini con algoritmi di pre-elaborazione dei dati software preesistenti per restringere enormi set di dati alle informazioni di cui i ricercatori hanno bisogno per iniziare la loro analisi.

"Questa pipeline prende le conoscenze acquisite dagli utenti esperti e le inserisce in un programma che migliora l'accessibilità per gli utenti provenienti da una vasta gamma di background, " disse Cianfrocco, che è anche assistente professore di chimica biologica presso la U-M Medical School. "Snellisce davvero la fase del processo in modo che i ricercatori possano entrare e concentrarsi su ciò che è importante:le domande scientifiche che vogliono porre e rispondere".

Lo studio appare sulla rivista Struttura .