Um novo algoritmo torna a interpretação dos resultados dos mapas de microscopia crioeletrônica mais fácil e precisa, ajudando os pesquisadores a determinar as estruturas das proteínas e, potencialmente, criar drogas que bloqueiam suas funções.

Microscopia crioeletrônica, ou crio-EM, usa feixes de elétrons para obter imagens 3-D de estruturas biomoleculares. O uso desta técnica disparou nos últimos anos devido aos avanços tecnológicos, mas à medida que o crio-EM ganha força no campo, ferramentas adicionais são necessárias para interpretar as imagens que ele produz.

O produto final do crio-EM é um mapa da densidade dos átomos em moléculas biológicas, incluindo proteínas e nucleotídeos. Para obter o nível de detalhe de que realmente precisam, os pesquisadores devem identificar as posições dos resíduos de átomos ou aminoácidos em um mapa, que requer análise de computador especializada. Existem programas que fazem isso, mas nem sempre são precisos ou fáceis de usar, disse Daisuke Kihara, professor de ciências biológicas e ciência da computação na Purdue University.

Kihara e um pesquisador de pós-doutorado em seu laboratório, Genki Terashi, criaram um algoritmo totalmente automatizado para interpretar mapas de proteínas em resolução inferior à ideal - cerca de 4 a 5 ångström (Å, uma unidade de comprimento para expressar o tamanho dos átomos e moléculas). Muitas ferramentas semelhantes foram desenvolvidas para imagens mais detalhadas ou cristalografia de raios-X, que não funciona bem para imagens crio-EM de resolução mais baixa.

O programa de Kihara, MAINMAST, identifica pontos de densidade local em um determinado mapa EM e os conecta em uma estrutura de árvore - como conectar os pontos. O algoritmo tenta diferentes parâmetros para definir pontos de densidade e ramos em uma árvore.

"Com este método, você não precisa ajustar os parâmetros de 1 a 1,2 a 1,5, ou precisa de qualquer conhecimento especializado sobre como fazer isso. Tipicamente, quando as pessoas usam esse tipo de software, isso é crítico, "Kihara disse." Este algoritmo já contém os diferentes parâmetros, para que os usuários não precisem fazer nada além de esperar. "

As árvores geradas são então classificadas por uma pontuação que avalia sua similaridade com a densidade de cada aminoácido na sequência da proteína. Os 500 modos principais são totalmente reconstruídos e refinados.

Existem outros métodos para interpretar mapas crio-EM, mas muitos parecem semelhantes, estruturas de proteínas previamente resolvidas como ponto de partida.

“Se estruturas de proteínas semelhantes já foram resolvidas, este é um lugar óbvio para começar, porque a nova estrutura provavelmente é semelhante, "Kihara disse." Métodos baseados em referências podem ser precisos, mas se você está resolvendo uma estrutura completamente nova, você não pode usá-los porque não tem nada para começar. "

MAINMAST não depende de estruturas previamente resolvidas para começar - é um meathod completamente "de novo" e, portanto, modela novas estruturas usando apenas informações de mapas de densidade EM.

MAINMAST atribui níveis de confiança a diferentes regiões do mapa, que informa aos usuários quais regiões provavelmente são precisas e quais devem ser verificadas manualmente. Se o pesquisador conhece alguma informação biológica, eles podem ver visualmente quais estruturas concordam com seu conhecimento da proteína, Disse Kihara.

Por outro lado, a abordagem de novo apresenta alguns desafios. Às vezes, as estruturas do MAINMAST precisam de um pouco mais de refinamento, porque o programa não sabe como realmente se parecem as estruturas das proteínas. E se um mapa crio-EM é de baixa resolução e não tem densidade em algumas áreas, MAINMAST não pode preencher essas peças. Kihara espera corrigir essas falhas no futuro, ele disse.

Em mapas de densidade EM entre resolução de 2,6 e 4,8 Å, O MAINMAST teve um desempenho substancialmente melhor do que dois outros métodos de novo existentes. O código já está disponível, e a equipe de Kihara está trabalhando para tornar o plug-in mais amigável.

Os resultados foram publicados na revista Nature Communications .