En ny databehandlingsmetod skapad av forskare vid University of Michigan Life Sciences Institute erbjuder en enklare, snabbare väg till data som genereras av kryo-elektronmikroskopiinstrument, att ta bort en barriär för bredare användning av denna kraftfulla teknik.

Cryo-EM gör det möjligt för forskare att bestämma 3D-formen av cellulära proteiner och andra molekyler som har flash-fryst i ett tunt lager av is. Avancerade mikroskop strålar högenergielektroner genom isen samtidigt som de tar tusentals videor. Dessa videor är sedan medelvärde för att skapa en 3D-struktur av molekylen.

Genom att avslöja de exakta strukturerna hos dessa molekyler, forskare kan svara på viktiga frågor om hur molekylerna fungerar i celler och hur de kan bidra till människors hälsa och sjukdomar. Till exempel, Forskare använde nyligen cryo-EM för att avslöja hur en proteinspik på COVID-19-viruset gör det möjligt för det att ta sig in i värdceller.

De senaste framstegen inom cryo-EM-teknologi har snabbt öppnat detta område för nya användare och ökat hastigheten med vilken data kan samlas in. Trots dessa förbättringar, dock, forskare står fortfarande inför ett stort hinder när det gäller att få tillgång till denna tekniks fulla potential:det komplexa databehandlingslandskapet som krävs för att förvandla mikroskopets terabyte av data till en 3D-struktur redo för analys.

Innan forskare kan börja analysera den 3D-struktur de vill studera, de måste slutföra en serie förbearbetningssteg och subjektiva beslut. För närvarande, dessa steg måste övervakas av människor – och eftersom forskare använder cryo-EM för att analysera en stor mängd olika molekyltyper, forskare trodde att det var nästan omöjligt att skapa en generell uppsättning riktlinjer som alla forskare kunde följa för dessa steg, sa Yilai Li, en Willis Life Sciences Fellow vid LSI som ledde utvecklingen av det nya programmet.

"Om vi ​​kan skapa en automatiserad pipeline för dessa förbearbetningsstegen, hela processen skulle kunna vara mycket mer användarvänlig, speciellt för nykomlingar på området, " sa Li.

Med hjälp av maskininlärning, Li och hans kollegor i labbet hos LSI biträdande professor Michael Cianfrocco har utvecklat just en sådan pipeline. Programmet publicerades den 14 april som en del av en studie i tidskriften Strukturera .

Det nya programmet kopplar samman flera verktyg för djupinlärning och bildanalys med redan existerande programvarualgoritmer för förbearbetning av data för att begränsa enorma datamängder till den information som forskare behöver för att börja sin analys.

"Denna pipeline tar den kunskap som erfarna användare har fått och lägger den i ett program som förbättrar tillgängligheten för användare från en rad olika bakgrunder, sa Cianfrocco, som också är biträdande professor i biologisk kemi vid U-M Medical School. "Det effektiviserar verkligen processstadiet så att forskare kan hoppa in och fokusera på det som är viktigt:de vetenskapliga frågor de vill ställa och svara på."

Studien visas i tidskriften Strukturera .