|
Neuartige KI-basierte Software ermöglicht schnelle und zuverlässige Abbildung von Proteinen in Zelle |
 Die Kryo-Elektronentomographie (Kryo-ET) entwickelt sich zu einer leistungsfähigen Technik zur Abbildung detaillierter 3D-Bilder von zellulären Umgebungen und eingeschlossenen Biomolekülen. Eine der Herausforderungen bei dieser Methode ist jedoch die Identifizierung von Proteinmolekülen in den Bildern für die anschließende Prozessierung am Computer. Ein Forscherteam um Stefan Raunser, Direktor am MPI für molekulare Physiologie in Dortmund, hat unter der Leitung von Thorsten Wagner eine Software entwickelt, um Proteine in überfüllten zellulären Räumen zu identifizieren. Das neue Open-Source-Tool mit dem Namen TomoTwin nutzt metrisches Deep Learning basierend auf neuronalen Netzen, und ermöglicht es Forschenden, mehrere Proteine mit hoher Genauigkeit und hohem Durchsatz zu lokalisieren, ohne das neuronale Netz jedes Mal manuell neu erstellen oder neu trainieren zu müssen.
Je mehr, desto besser"TomoTwin ebnet den Weg für die
automatisierte Identifizierung und Lokalisierung von Proteinen direkt in
ihrer zellulären Umgebung und erweitert damit das Potenzial der
Kryo-ET", sagt Gavin Rice, Co-Autor der Studie. Die Kryo-ET hat das
Potenzial, die Funktionsweise von Biomolekülen in einer Zelle zu
entschlüsseln und damit die Grundlagen des Lebens und die Entstehung von
Krankheiten aufzudecken.
Bei einem Kryo-ET-Experiment erstellen die
Forschenden in einem Transmissions-Elektronenmikroskop 3D-Bilder, so
genannte Tomogramme, eines zellulären Raums mitsamt den darin
enthaltenen komplexen Biomolekülen. Für ein detaillierteres Bild jedes
einzelnen Proteins, bilden sie einen Mittelwert aus so vielen Kopien wie
möglich - ähnlich wie Fotografen, die dasselbe Foto mit
unterschiedlichen Belichtungen aufnehmen, um sie später zu einem perfekt
belichteten Bild zu kombinieren. Entscheidend ist, dass man die
verschiedenen Proteine im Bild richtig identifiziert und lokalisiert,
bevor man sie mittelt. „Wir können Hunderte von Tomogrammen pro Tag
erstellen, aber uns fehlten bisher Werkzeuge, um die Moleküle darin
vollständig zu identifizieren", sagt Rice.
HandverlesenBisher
haben die Forschenden in den Tomogrammen nach Übereinstimmungen mit
bereits bekannten Molekülstrukturen gesucht. Die dazu benutzten
Algorithmen sind jedoch fehleranfällig. Eine weitere Option ist die
Identifizierung von Molekülen per Hand, die zwar eine qualitativ
hochwertige Auswahl gewährleistet, jedoch Tage bis Wochen pro Datensatz
in Anspruch nimmt.
Weiterhin ist der Einsatz einer Form des
überwachten maschinellen Lernens möglich. Diese Tools können sehr genau
sein, sind aber derzeit nicht sehr benutzerfreundlich, da die Software
für jedes neue Protein mit manueller Kennzeichnung von Tausenden von
Beispielen trainiert werden muss - eine schier unmögliche Aufgabe für
kleine biologische Moleküle in einer überfüllten zellulären Umgebung.
TomoTwinDie
neu entwickelte Software TomoTwin überwindet viele dieser Hürden: Sie
lernt, die sich in ihrer Form innerhalb eines Tomogramms ähnelnden
Moleküle herauszufiltern und ordnet sie einem geometrischen Raum zu -
das System wird belohnt, wenn es ähnliche Proteine nahe beieinander
platziert, und bestraft, wenn es das nicht tut. In der entstehenden
Karte (Bild 1) können die Forschenden die verschiedenen Proteine
isolieren und genau identifizieren und sie auf diese Weise in der Zelle
lokalisieren. "Ein Vorteil von TomoTwin ist, dass wir ein vortrainiertes
„Picking-Modell“ anbieten", sagt Rice. Durch den Wegfall des
Trainingsschritts kann die Software sogar auf lokalen Computern laufen -
wo die Verarbeitung eines Tomogramms bisher 60-90 Minuten dauerte,
reduziert sich die Laufzeit auf dem MPI-Supercomputer Raven auf 15
Minuten pro Tomogramm.
TomoTwin ermöglicht es den Forschenden,
Dutzende von Tomogrammen in der Zeit auszuwählen, die sonst für die
manuelle Auswahl eines einzigen Tomogramms erforderlich ist. Dies erhöht
den Datendurchsatz aber auch die mittlere Geschwindigkeit ein besseres
Bild zu erhalten. Derzeit kann die Software nur globuläre Proteine oder
Proteinkomplexe mit einer Größe von mehr als 150 Kilodalton in Zellen
aufspüren; in Zukunft will die Raunser-Gruppe auch Membranproteine,
fadenförmige Proteine und Proteine mit geringerer Größe einbeziehen.
Den Artikel finden Sie unter:
https://www.mpi-dortmund.mpg.de/aktuelles/tomotwin
Quelle: Fraunhofer-Institut für Zuverlässigkeit und Mikrointegration IZM (05/2023)
Publikation:
Rice
G, Wagner T, Stabrin M, Raunser S (2023). TomoTwin: generalized 3D
localization of macromolecules in cryo-electron tomograms with
structural data mining. Nature Methods. Doi: 10.1038/s41592-023-01878-z.
|
