Un nuevo enfoque de procesamiento de datos creado por científicos del Instituto de Ciencias de la Vida de la Universidad de Michigan ofrece una ruta más rápida a los datos generados por instrumentos de microscopía crioelectrónica, eliminando una barrera para una adopción más amplia de esta poderosa técnica.

Cryo-EM permite a los científicos determinar la forma tridimensional de las proteínas celulares y otras moléculas que se han congelado instantáneamente en una fina capa de hielo. Los microscopios avanzados emiten electrones de alta energía a través del hielo mientras capturan miles de videos. Luego, estos videos se promedian para crear una estructura tridimensional de la molécula.

Al descubrir las estructuras precisas de estas moléculas, los investigadores pueden responder preguntas importantes sobre cómo funcionan las moléculas en las células y cómo pueden contribuir a la salud y las enfermedades humanas. Por ejemplo, Los investigadores utilizaron recientemente cryo-EM para revelar cómo un pico de proteína en el virus COVID-19 le permite ingresar a las células huésped.

Los avances recientes en la tecnología cryo-EM han abierto rápidamente este campo a nuevos usuarios y han aumentado la velocidad a la que se pueden recopilar los datos. A pesar de estas mejoras, sin embargo, Los investigadores aún enfrentan un obstáculo sustancial para acceder a todo el potencial de esta técnica:el complejo panorama de procesamiento de datos requerido para convertir los terabytes de datos del microscopio en una estructura 3-D lista para el análisis.

Antes de que los investigadores puedan comenzar a analizar la estructura tridimensional que desean estudiar, tienen que completar una serie de pasos de preprocesamiento y decisiones subjetivas. En la actualidad, estos pasos deben ser supervisados ​​por humanos, y debido a que los investigadores usan crio-EM para analizar una gran variedad de tipos de moléculas, Los científicos pensaron que era casi imposible crear un conjunto general de pautas que todos los investigadores pudieran seguir para estos pasos, dijo Yilai Li, un Willis Life Sciences Fellow en LSI que dirigió el desarrollo del nuevo programa.

"Si podemos crear una canalización automatizada para esos pasos de preprocesamiento, todo el proceso podría ser mucho más fácil de usar, especialmente para los recién llegados al campo, "Dijo Li.

Usando el aprendizaje automático, Li y sus colegas en el laboratorio del profesor asistente de LSI Michael Cianfrocco han desarrollado tal canalización. El programa fue publicado el 14 de abril como parte de un estudio en la revista Estructura .

El nuevo programa conecta varias herramientas de aprendizaje profundo y análisis de imágenes con algoritmos de preprocesamiento de datos de software preexistentes para reducir enormes conjuntos de datos a la información que los investigadores necesitan para comenzar su análisis.

"Esta canalización toma el conocimiento que los usuarios experimentados han adquirido y lo pone en un programa que mejora la accesibilidad para los usuarios de una variedad de orígenes, "dijo Cianfrocco, quien también es profesor asistente de química biológica en la Facultad de Medicina de la U-M. "Realmente agiliza la etapa del proceso para que los investigadores puedan intervenir y concentrarse en lo que es importante:las preguntas científicas que quieren hacer y responder".

El estudio aparece en la revista Estructura .