Minder foto's, toch de vorm van een eiwit: nieuwe methode versnelt moleculair onderzoek
Wil je de bouwstenen van het leven zien, tot op het niveau van losse atomen? Dan gebruiken wetenschappers vaak een techniek die cryo-elektronenmicroscopie heet, of kortweg cryo-EM. Daarmee bevriezen ze piepkleine biomoleculen, zoals eiwitten, en schieten er duizenden foto's van met een elektronenmicroscoop. Het probleem: je hebt daar heel veel foto's voor nodig, soms honderdduizenden. Dat kost tijd en geld. Een nieuwe methode belooft daar verandering in te brengen.
Een eiwit is een soort microscopisch machientje, opgebouwd uit een lange keten aminozuren die zich opvouwt tot een specifieke 3D-vorm. Die vorm bepaalt wat het eiwit kan doen in een cel. Om die vorm te achterhalen, combineren onderzoekers normaal gesproken duizenden losse foto's van hetzelfde soort molecuul tot één scherp 3D-beeld, een soort elektrische ladingskaart. Pas daarna puzzelen ze uit waar precies elk atoom zit.
Dat proces heeft twee zwakke plekken. Ten eerste: hoe minder foto's je hebt, hoe onscherper die 3D-kaart wordt. Ten tweede: als een molecuul steeds van vorm verandert (wat in de praktijk vaak gebeurt), vermengen al die verschillende vormen zich tot een wazig gemiddelde beeld. Dat maakt het extra lastig om structuren te bepalen van moleculen die niet stilzitten, of van monsters waar je weinig materiaal van hebt.
Slimme gok vooraf
Een onderzoeksteam ontwikkelde nu een methode genaamd Fold'EM, die dit anders aanpakt. In plaats van eerst een 3D-kaart te bouwen en daarna pas de atomen in te passen, doet Fold'EM dit tegelijk. De truc zit in AI-modellen die, puur op basis van de aminozuurvolgorde van een eiwit, al een goede voorspelling kunnen doen van de uiteindelijke vorm. Die voorspelling gebruikt Fold'EM als startpunt, en vervolgens wordt die vorm bijgeschaafd met de informatie uit de cryo-EM-foto's zelf.
Het resultaat: er zijn veel minder foto's nodig om tot een betrouwbare atomaire structuur te komen. Het team testte de methode op zowel kunstmatig gegenereerde als echte, experimentele cryo-EM-datasets. Fold'EM werkte zelfs in de lastigste situatie, waarin van tevoren niet bekend is onder welke hoek elk deeltje op de foto staat. Die hoek moet dan gelijktijdig met de structuur worden bepaald, wat de puzzel nog ingewikkelder maakt.
Opvallend is ook dat Fold'EM meerdere vormen van hetzelfde molecuul uit één gemengde set foto's kon destilleren. Normaal gesproken moet je voor elke vorm apart een volledige 3D-kaart reconstrueren en los een atoommodel bouwen. Fold'EM slaat die tussenstappen over.
Wat betekent dit (nog) niet: dit is voorlopig het werk van één onderzoeksteam, getest op een beperkt aantal datasets. Het is nog niet breed gevalideerd door andere labs of op de volle breedte van eiwitten die cryo-EM-onderzoekers tegenkomen. Of de methode net zo betrouwbaar blijft bij hele nieuwe, nog nooit geziene eiwitstructuren (waar de AI-voorspelling minder houvast heeft), moet nog verder blijken.
Toch is de belofte groot. Als structuurbepaling met minder foto's kan, wordt onderzoek goedkoper en sneller. Dat opent deuren voor het bestuderen van zeldzame moleculen waar je toch al weinig monster van hebt, en voor het vastleggen van kortdurende, zeldzame vormen die een eiwit soms aanneemt. Juist die vluchtige vormen zijn vaak cruciaal om te begrijpen hoe een eiwit precies werkt, of waarom het soms misgaat, bijvoorbeeld bij ziektes.
Bron: Fold'EM: Direct atomic structure inference from Cryo-EM particles