Un nouvel algorithme rend l'interprétation des résultats des cartes de cryomicroscopie électronique plus simple et plus précise, aider les chercheurs à déterminer les structures des protéines et potentiellement créer des médicaments qui bloquent leurs fonctions.

Cryo-microscopie électronique, ou cryo-EM, utilise des faisceaux d'électrons pour obtenir des images 3D de structures biomoléculaires. L'utilisation de cette technique a explosé ces dernières années en raison des progrès technologiques, mais comme cryo-EM gagne de la vapeur sur le terrain, des outils supplémentaires sont nécessaires pour interpréter les images qu'il produit.

Le produit final de cryo-EM est une carte de la densité des atomes dans les molécules biologiques, y compris les protéines et les nucléotides. Pour obtenir le niveau de détail dont ils ont vraiment besoin, les chercheurs doivent identifier les positions des atomes ou des résidus d'acides aminés sur une carte, qui nécessite une analyse informatique spécialisée. Les programmes qui font cela existent, mais ils ne sont pas toujours précis ou faciles à utiliser, dit Daisuke Kihara, professeur de sciences biologiques et d'informatique à l'Université Purdue.

Kihara et un chercheur postdoctoral dans son laboratoire, Genki Terashi, ont créé un algorithme entièrement automatisé pour interpréter les cartes de protéines à une résolution inférieure à la résolution idéale - environ 4 à 5 ångström (Å, une unité de longueur pour exprimer la taille des atomes et des molécules). De nombreux outils similaires ont été développés pour des images plus détaillées ou la cristallographie aux rayons X, qui ne fonctionnent pas aussi bien pour les images cryo-EM de résolution inférieure.

le programme de Kihara, GRAND MÂT, identifie les points de densité locaux dans une carte EM donnée et les connecte dans une structure arborescente - comme la connexion des points. L'algorithme essaie différents paramètres pour définir des points de densité et des branches dans un arbre.

« Avec cette méthode, vous n'avez pas besoin de régler les paramètres de 1 à 1,2 à 1,5, ou besoin de connaissances d'expert sur la façon de le faire. Typiquement, quand les gens utilisent ce genre de logiciel, c'est critique, " Kihara a dit. " Cet algorithme a les différents paramètres déjà à l'intérieur, afin que les utilisateurs n'aient rien d'autre à faire que d'attendre."

Les arbres générés sont ensuite classés par un score qui évalue leur similarité avec la densité de chaque acide aminé dans la séquence protéique. Les 500 meilleurs modes sont entièrement reconstruits et affinés.

D'autres méthodes d'interprétation des cartes cryo-EM existent, mais beaucoup se ressemblent, structures protéiques précédemment résolues comme point de départ.

"Si les structures de protéines similaires ont déjà été résolues, c'est un point de départ évident car la nouvelle structure est probablement similaire, " a déclaré Kihara. " Les méthodes basées sur les références peuvent être précises, mais si vous résolvez une structure complètement nouvelle, vous ne pouvez pas les utiliser parce que vous n'avez rien pour commencer."

MAINMAST ne s'appuie pas sur des structures précédemment résolues pour démarrer - c'est une méthode complètement "de novo" et, Donc, modélise de nouvelles structures en utilisant uniquement les informations des cartes de densité EM.

MAINMAST attribue des niveaux de confiance aux différentes régions de la carte, qui indique aux utilisateurs quelles régions sont susceptibles d'être exactes et lesquelles doivent être vérifiées manuellement. Si le chercheur connaît certaines informations biologiques, ils peuvent voir visuellement quelles structures sont en accord avec leur connaissance de la protéine, dit Kihara.

D'autre part, l'approche de novo pose certains défis. Parfois, les structures de MAINMAST ont besoin d'un peu plus de raffinement, parce que le programme ne sait pas à quoi ressemblent vraiment les structures protéiques. Et si une carte cryo-EM est à faible résolution et n'a pas de densité dans certaines zones, MAINMAST ne peut pas remplir ces parties. Kihara espère corriger ces défauts à l'avenir, il a dit.

Sur les cartes de densité EM entre 2,6 et 4,8 de résolution, MAINMAST a donné de bien meilleurs résultats que deux autres méthodes de novo existantes. Le code est disponible maintenant, et l'équipe de Kihara travaille à rendre le plugin plus convivial.

Les résultats ont été publiés dans la revue Communication Nature .