Une nouvelle approche de traitement des données créée par des scientifiques de l'Institut des sciences de la vie de l'Université du Michigan offre une méthode plus simple, accès plus rapide aux données générées par les instruments de cryomicroscopie électronique, éliminer un obstacle à l'adoption plus large de cette technique puissante.

La cryo-EM permet aux scientifiques de déterminer la forme en 3D des protéines cellulaires et d'autres molécules qui ont été congelées instantanément dans une fine couche de glace. Des microscopes avancés envoient des électrons à haute énergie à travers la glace tout en capturant des milliers de vidéos. Ces vidéos sont ensuite moyennées pour créer une structure 3-D de la molécule.

En découvrant les structures précises de ces molécules, les chercheurs peuvent répondre à des questions importantes sur la façon dont les molécules fonctionnent dans les cellules et comment elles pourraient contribuer à la santé et aux maladies humaines. Par exemple, les chercheurs ont récemment utilisé la cryo-EM pour révéler comment un pic de protéine sur le virus COVID-19 lui permet d'entrer dans les cellules hôtes.

Les progrès récents de la technologie cryo-EM ont rapidement ouvert ce domaine à de nouveaux utilisateurs et augmenté la vitesse à laquelle les données peuvent être collectées. Malgré ces améliorations, cependant, les chercheurs sont toujours confrontés à un obstacle important pour accéder au plein potentiel de cette technique :le paysage complexe de traitement des données requis pour transformer les téraoctets de données du microscope en une structure 3D prête à être analysée.

Avant que les chercheurs puissent commencer à analyser la structure 3D qu'ils souhaitent étudier, ils doivent effectuer une série d'étapes de prétraitement et de décisions subjectives. Actuellement, ces étapes doivent être supervisées par des humains et parce que les chercheurs utilisent la cryo-EM pour analyser une grande variété de types de molécules, les scientifiques pensaient qu'il était presque impossible de créer un ensemble général de directives que tous les chercheurs pourraient suivre pour ces étapes, dit Yilai Li, un Willis Life Sciences Fellow au LSI qui a dirigé le développement du nouveau programme.

« Si nous pouvons créer un pipeline automatisé pour ces étapes de prétraitement, l'ensemble du processus pourrait être beaucoup plus convivial, surtout pour les nouveaux venus sur le terrain, " dit Li.

En utilisant l'apprentissage automatique, Li et ses collègues du laboratoire du professeur assistant au LSI Michael Cianfrocco ont développé un tel pipeline. Le programme a été publié le 14 avril dans le cadre d'une étude dans la revue Structure .

Le nouveau programme connecte plusieurs outils d'apprentissage en profondeur et d'analyse d'images à des algorithmes de prétraitement de données logiciels préexistants pour réduire d'énormes ensembles de données aux informations dont les chercheurs ont besoin pour commencer leur analyse.

"Ce pipeline prend les connaissances acquises par les utilisateurs expérimentés et les intègre dans un programme qui améliore l'accessibilité pour les utilisateurs de divers horizons, " dit Cianfrocco, qui est également professeur adjoint de chimie biologique à la faculté de médecine U-M. "Cela rationalise vraiment l'étape du processus afin que les chercheurs puissent intervenir et se concentrer sur ce qui est important :les questions scientifiques qu'ils veulent poser et auxquelles ils veulent répondre."

L'étude paraît dans la revue Structure .