Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Biochemistry
Click here for the English version

Biochemistry

Un robusto flujo de trabajo de procesamiento de criomicroscopía electrónica de una sola partícula (cryo-EM) con cryoSPARC, RELION y Scipion

Published: January 31, 2022 doi: 10.3791/63387
Automatic Translation
1, 1,2
1Institute for Quantitative Biomedicine, Rutgers University, 2Department of Biochemistry & Microbiology, Rutgers University

Summary

Este artículo describe cómo utilizar eficazmente tres plataformas de procesamiento crio-EM, es decir, cryoSPARC v3, RELION-3 y Scipion 3, para crear un flujo de trabajo único y robusto aplicable a una variedad de conjuntos de datos de una sola partícula para la determinación de estructuras de alta resolución.

Abstract

Los avances recientes tanto en instrumentación como en software de procesamiento de imágenes han hecho que la microscopía crioelectrónica de una sola partícula (cryo-EM) sea el método preferido por los biólogos estructurales para determinar estructuras de alta resolución de una amplia variedad de macromoléculas. Múltiples suites de software están disponibles para usuarios nuevos y expertos para el procesamiento de imágenes y el cálculo de estructuras, que agilizan el mismo flujo de trabajo básico: las películas adquiridas por los detectores de microscopio se someten a corrección para la estimación de la función de transferencia de contraste y movimiento inducida por haz (CTF). A continuación, las imágenes de partículas se seleccionan y extraen de fotogramas de película promediados para la clasificación iterativa 2D y 3D, seguida de la reconstrucción, el refinamiento y la validación en 3D. Debido a que varios paquetes de software emplean diferentes algoritmos y requieren diferentes niveles de experiencia para operar, los mapas 3D que generan a menudo difieren en calidad y resolución. Por lo tanto, los usuarios transfieren datos regularmente entre una variedad de programas para obtener resultados óptimos. Este documento proporciona una guía para que los usuarios naveguen por un flujo de trabajo a través de los paquetes de software populares: cryoSPARC v3, RELION-3 y Scipion 3 para obtener una estructura de resolución casi atómica del virus adenoasociado (AAV). Primero detallamos una canalización de procesamiento de imágenes con cryoSPARC v3, ya que sus algoritmos eficientes y su GUI fácil de usar permiten a los usuarios llegar rápidamente a un mapa 3D. En el siguiente paso, utilizamos PyEM y scripts internos para convertir y transferir coordenadas de partículas de la reconstrucción 3D de mejor calidad obtenida en cryoSPARC v3 a RELION-3 y Scipion 3 y recalcular mapas 3D. Finalmente, describimos los pasos para un mayor refinamiento y validación de las estructuras resultantes mediante la integración de algoritmos de RELION-3 y Scipion 3. En este artículo, describimos cómo utilizar eficazmente tres plataformas de procesamiento para crear un flujo de trabajo único y robusto aplicable a una variedad de conjuntos de datos para la determinación de estructuras de alta resolución.

Introduction

La microscopía crioelectrónica (crio-EM) y el análisis de partículas individuales (SPA) permiten la determinación de la estructura de una amplia variedad de conjuntos biomoleculares en su estado hidratado, ayudando a iluminar el papel de estas macromoléculas en detalle atómico. Las mejoras en la óptica del microscopio, el hardware informático y el software de procesamiento de imágenes han permitido determinar estructuras de biomoléculas a una resolución que supera los 2 Å1,2,3. Más de 2.300 estructuras crio-EM se depositaron en el Banco de Datos de Proteínas (PDB) en 2020, en comparación con 192 estructuras en 20144, lo que indica que la crio-EM se ha convertido en el método de elección para muchos biólogos estructurales. Aquí, describimos un flujo de trabajo que combina tres programas SPA diferentes para la determinación de estructuras de alta resolución (Figura 1).

El objetivo de SPA es reconstruir volúmenes 3D de un espécimen objetivo a partir de imágenes 2D ruidosas grabadas por un detector de microscopio. Los detectores recopilan imágenes como películas con fotogramas individuales del mismo campo de visión. Para preservar la muestra, los fotogramas se recogen con una dosis baja de electrones y, por lo tanto, tienen una mala relación señal-ruido (SNR). Además, la exposición a electrones puede inducir movimiento dentro de las rejillas crio-EM vitrificadas, lo que resulta en el desenfoque de la imagen. Para superar estos problemas, los fotogramas se alinean para corregir el movimiento inducido por el haz y se promedian para producir una micrografía con un SNR aumentado. Estas micrografías luego se someten a una estimación de la función de transferencia de contraste (CTF) para tener en cuenta los efectos del desenfoque y las aberraciones impuestas por el microscopio. A partir de las micrografías corregidas por CTF, las partículas individuales se seleccionan, extraen y clasifican en promedios de clase 2D que representan diferentes orientaciones adoptadas por la muestra en hielo vítreo. El conjunto homogéneo resultante de partículas se utiliza como entrada para la reconstrucción 3D ab initio para generar un modelo o modelos gruesos, que luego se refinan iterativamente para producir una o más estructuras de alta resolución. Después de la reconstrucción, se realizan refinamientos estructurales para mejorar aún más la calidad y la resolución del mapa crio-EM. Finalmente, un modelo atómico se deriva directamente del mapa, o el mapa está equipado con coordenadas atómicas obtenidas en otro lugar.

Hay diferentes paquetes de software disponibles para realizar las tareas descritas anteriormente, incluidos Appion5, cisTEM6, cryoSPARC7, EMAN8, IMAGIC9, RELION10, Scipion11, SPIDER12, Xmipp13 y otros. Si bien estos programas siguen pasos de procesamiento similares, emplean diferentes algoritmos, por ejemplo, para recoger partículas, generar modelos iniciales y refinar reconstrucciones. Además, estos programas requieren un nivel variable de conocimiento e intervención del usuario para operar, ya que algunos dependen del ajuste fino de los parámetros que pueden actuar como un obstáculo para los nuevos usuarios. Estas discrepancias a menudo resultan en mapas con calidad y resolución inconsistentes en todas las plataformas14, lo que lleva a muchos investigadores a usar múltiples paquetes de software para refinar y validar los resultados. En este artículo destacamos el uso de cryoSPARC v3, RELION-3 y Scipion 3 para obtener una reconstrucción 3D de alta resolución de AAV, un vector ampliamente utilizado para la terapia génica15. Los paquetes de software antes mencionados son gratuitos para los usuarios académicos; cryoSPARC v3 y Scipion 3 requieren licencias.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Creación de un nuevo proyecto cryoSPARC v3 e importación de datos

NOTA: Los datos se adquirieron en la Universidad de Salud y Ciencia de Oregón (OHSU) en Portland utilizando un microscopio electrónico Titan Krios de 300 kV equipado con un detector de electrones directo Falcon 3. Las imágenes se recogieron en un modo de conteo con una dosis total de 28,38 e−/Å2 fraccionadas en 129 fotogramas, y un rango de desenfoque de -0,5 μm a -2,5 μm, a un tamaño de píxel de 1,045 Å utilizando EPU. La muestra de AAV-DJ fue proporcionada por el personal de OHSU.

  1. Abra cryoSPARC v3 en un navegador web y haga clic en el encabezado Proyectos . Seleccione + Agregar para crear un nuevo proyecto. Titule el proyecto en consecuencia y proporcione una ruta a un directorio existente donde se guardarán los trabajos y los datos.
  2. Cree un espacio de trabajo para el proyecto abriéndolo, haciendo clic en + Agregar y seleccionando Nuevo espacio de trabajo. Titule el espacio de trabajo y haga clic en Crear.
  3. Desplácese hasta el nuevo espacio de trabajo y abra job builder en el panel derecho. Esta pestaña muestra todas las funciones disponibles en cryoSPARC v3. Haga clic en Importar películas y proporcione la ruta de las películas, obtenga la ruta del archivo de referencia y establezca los parámetros de adquisición de la siguiente manera: Tamaño de píxel raw 1.045 Å, Voltaje de aceleración 300 kV, Aberración esférica 2.7 mm, Dosis de exposición total 28.38 e-/Å^2.
  4. Haga clic en Cola, seleccione un carril para ejecutar el trabajo y un espacio de trabajo, y haga clic en Crear.
    NOTA: Los parámetros de adquisición dependen de la muestra y del microscopio.

2. CryoSPARC v3 - alineación de películas y estimación de CTF

  1. Abra la corrección de movimiento del parche (Multi). Este trabajo requiere las películas importadas en el paso 1.3 como entrada. Abra la tarjeta de trabajo de importación de películas en el espacio de trabajo y arrastre la salida Imported_movies al marcador de posición de películas en el nuevo trabajo. Ponga en cola el trabajo.
    Nota : para obtener más información acerca de los métodos cryoSPARC descritos en este artículo, consulte el tutorial cryoSPARC16.
  2. Para realizar la estimación de CTF, abra Patch CTF Estimation (Multi). Introduzca las micrografías generadas en el paso 2.1 y ponga en cola el trabajo.
  3. Para inspeccionar las micrografías promediadas y corregidas por CTF y seleccionar un subconjunto para su posterior procesamiento, abra Curate Exposures e ingrese las exposiciones obtenidas en el paso 2.2. Ponga en cola el trabajo.
  4. Después de que el trabajo entre en modo de espera , haga clic en la pestaña Interacción en la tarjeta de trabajo, ajuste los umbrales de parámetros y acepte o rechace micrografías individuales para su posterior procesamiento. Acepte micrografías con CTF estimados y experimentales bien emparejados (Figura 2) y descarte aquellas con alto astigmatismo, mal ajuste de CTF y hielo grueso.
  5. Mientras procesa los datos actuales, establezca el umbral superior de astigmatismo en 400 Å, la resolución de ajuste CTF en 5 Å y el espesor relativo del hielo en 2. Haga clic en Listo para seleccionar las micrografías para el procesamiento posterior.

3. CryoSPARC v3 - selección de partículas manual y basada en plantillas

  1. Abra el Selector manual, introduzca las exposiciones aceptadas de los pasos 2.4-2.5 y ponga en cola el trabajo. Haga clic en la pestaña Interactivo , establezca el tamaño de la caja (px) en 300 y haga clic en unos pocos cientos de partículas en múltiples micrografías y evite seleccionar partículas superpuestas. Aquí, se seleccionaron 340 partículas en 29 micrografías. Cuando haya terminado, haga clic en Done Picking! Extraer partículas.
    NOTA: Este protocolo utiliza la selección manual de partículas para generar plantillas para la selección automática. Sin embargo, también están disponibles otros métodos17.
  2. Para generar plantillas para la selección automatizada de partículas, haga clic en Clasificación 2D e introduzca las selecciones de partículas generadas en el paso 3.1. Cambie el número de clases 2D a 10 y ponga en cola el trabajo.
  3. Abra Seleccionar clases 2D. Introduzca las partículas y los promedios de clase obtenidos en el paso 3.2 y haga clic en la pestaña Interactivo . Seleccione clases 2D representativas con un buen SNR y haga clic en Listo.
    NOTA: Los promedios de clase reflejan diferentes vistas de partículas. Seleccione promedios de clase que reflejen cada vista. El objetivo es producir plantillas bien definidas que representen diferentes vistas del espécimen para la recolección automatizada.
  4. Abra el Selector de plantillas e introduzca las clases 2D seleccionadas en el paso 3.3 y las micrografías de los pasos 2.4-2.5. Establezca el diámetro de partícula (Å) en 220 Å y ponga en cola el trabajo.
  5. Para inspeccionar las selecciones automatizadas, abra Seleccionar selecciones de partículas, introduzca las partículas y micrografías generadas en el paso 3.4 y ponga en cola el trabajo.
  6. En la tarjeta de trabajo Seleccionar selecciones de partículas, haga clic en la pestaña Interactivo y establezca el tamaño de la caja (px) en 300. Haga clic en una micrografía individual, ajuste el filtro de paso bajo hasta que las partículas sean claramente visibles y establezca el umbral de correlación cruzada normalizada (NCC) en 0,41 y el umbral de potencia entre 54000 y 227300.
  7. Inspeccione varias micrografías y, si es necesario, ajuste los umbrales de tal manera que la mayoría de las partículas se seleccionen sin incluir falsos positivos. Cuando haya terminado, haga clic en ¡Listo de picking! Extraer partículas.
    NOTA: Las partículas verdaderas suelen tener un ncc y una puntuación de potencia altos, lo que indica que son similares a la plantilla y tienen un SNR alto, respectivamente.
  8. Abra Extraer de micrografías e introduzca las micrografías y partículas del paso 3.7. Establezca el tamaño de la caja extraída (px) en 300 y ponga en cola el trabajo.

4. CryoSPARC v3 - Clasificación 2D

  1. Haga clic en Clasificación 2D e introduzca las partículas extraídas del paso 3.8. Establezca el número de clases 2D en 50 y ponga en cola el trabajo.
  2. Para seleccionar las mejores clases 2D para su posterior procesamiento, abra Seleccionar clases 2D. Introduzca las partículas y los promedios de clase obtenidos en el paso 4.1. Haga clic en la pestaña Interactivo y elija clases 2D en función de la resolución y el número de partículas de la clase (Figura 3). No seleccione clases que contengan artefactos. Después de seleccionar, haga clic en Listo.
    NOTA: Por lo general, se requieren múltiples rondas de clasificación 2D para eliminar partículas, que no convergen en clases distintas y bien definidas. Ejecute tantas rondas de clasificación 2D como sea necesario para eliminar dichas partículas del conjunto de datos (Figura 3).

5. CryoSPARC v3 - reconstrucción ab-initio y refinamiento homogéneo

  1. Para generar un volumen 3D inicial, abra Ab-initio Reconstruction e introduzca las partículas obtenidas en el paso 4.2 o de la clasificación 2D final. Ajuste la simetría a icosaédrica. Ponga en cola el trabajo.
    NOTA: La simetría depende de la muestra y debe cambiarse en consecuencia. Si se desconoce, utilice la simetría C1.
  2. Refinamiento homogéneo abierto. Introduzca el volumen del paso 5.1 y las partículas del 4.2 o la clasificación 2D final. Cambie la simetría y ponga en cola el trabajo. Cuando termine el trabajo, inspeccione la curva de Fourier Shell Correlation (FSC) y descargue el volumen para examinarlo en UCSF Chimera18.

6. Exportación de coordenadas de partículas desde cryoSPARC v3 e importación a RELION-3 usando PyEM

NOTA: Las coordenadas de partículas llevan información sobre la ubicación de partículas individuales en cada micrografía. La transferencia de coordenadas en lugar de pilas de partículas a RELION-3 permite ejecutar pasos de refinamiento que de otro modo no estarían disponibles. Por ejemplo, el pulido de partículas requiere acceso a fotogramas de película iniciales. Por lo tanto, antes de exportar las coordenadas de partículas de cryoSPARC v3 a RELION-3, importe películas y realice la corrección de movimiento y la estimación de CTF en RELION-3. Consulte el tutorial de RELION-319 para obtener más información.

  1. Navegue hasta el directorio del proyecto RELION-3 e inicie RELION-3.
  2. Abra Importar desde el explorador de tipo de trabajo y especifique la ruta a las películas y los parámetros de adquisición como en el paso 1.3.
  3. Para realizar la corrección de movimiento, utilice UCSF MotionCor220 a través de la GUI de RELION-3, abra Corrección de movimiento y establezca los parámetros predeterminados como en el manual de UCSF MotionCor221. Introduzca la ruta de acceso a las películas importadas en el paso 6.2. En la pestaña Movimiento, especifique el trazado al ejecutable motioncor2.
    NOTA: MotionCor2 se puede ejecutar en paralelo utilizando varias GPU.
  4. Realice la estimación de CTF utilizando CTFFIND-4.122 a través de la GUI relion-3. Abra CTF Estimation e introduzca el micrographs.star generado en el paso 6.3. En la ficha CTFFIND-4.1, especifique la ruta de acceso al ejecutable CTFFIND-4.1 y establezca parámetros como en el tutorial de RELION-3.119.
  5. Para importar pilas de partículas de cryoSPARC v3 a RELION-3, primero deben exportarse desde cryoSPARC v3. En cryoSPARC v3, abra la tarjeta de trabajo del trabajo Seleccionar clase 2D desde el paso 4.2 o la clasificación 2D final. En la pestaña Detalles , haga clic en Exportar trabajo. El trabajo de exportación genera el archivo particles_exported.cs.
  6. Antes de importar las coordenadas de partículas de cryoSPARC v3 a RELION-3, el archivo de particles_exported.cs del paso 6.5 debe convertirse al formato .star. Con PyEM23, convierta el archivo particles_exported.cs al formato .star ejecutando el siguiente comando: csparc2star.py particles_exported.cs particles_exported.star
  7. En RELION-3, haga clic en la pestaña Selección manual y en la pestaña E/S , ingrese las micrografías del refinamiento de CTF descritas en el paso 6.4. En la ficha Pantalla , introduzca los siguientes parámetros: Diámetro de partícula (A): 220, Filtro de paso bajo (A): -1 , Escala para imagen CTF: 0,5. Ejecute el trabajo. Se genera un directorio llamado ManualPick en la carpeta de inicio de RELION-3.
    NOTA: Este paso se realiza para crear una estructura de carpetas de selección manual en RELION-3. Mientras se ejecuta la selección manual, se crea un único archivo .star que contiene las coordenadas de las partículas seleccionadas para cada micrografía promediada utilizada para la selección en la GUI de RELION-3.
  8. Navegue hasta la carpeta que contiene el archivo particles_exported.star del paso 6.6 y ejecute un script escrito en casa que produzca un único archivo manualpick.star para cada micrografía promediada utilizada para la selección de partículas crio-SPARC v3, lo que contribuyó a la clasificación 2D final exportada en el paso 6.5. Los archivos de coordenadas resultantes se guardan en la carpeta ManualPick/Movies.
  9. Vuelva a RELION-3 y vuelva a abrir el trabajo de picking manual . Haga clic en Continuar. Esto mostrará las partículas previamente recogidas en cryoSPARC v3 en la GUI de RELION-3. Inspeccione algunas micrografías para verificar si se ha logrado la transferencia de coordenadas de partículas y si las partículas se seleccionan correctamente.

7. RELION-3 - Extracción de partículas y clasificación 2D

  1. Haga clic en Extracción de partículas. En la ficha E/S , introduzca las micrografías corregidas de CTF del paso 6.4 y las coordenadas del paso 6.9. Haga clic en la pestaña Extraer y cambie el tamaño de la caja de partículas (pix) a 300. Ejecute el trabajo.
  2. Realice la clasificación 2D para limpiar aún más el conjunto de partículas generado en cryoSPARC v3 para lograr una reconstrucción de mayor resolución. Haga clic en Clasificación 2D y en la pestaña E/S , introduzca el archivo particles.star generado en el paso 7.1. En la pestaña Optimización , establezca el número de clases en 50 y el diámetro de máscara (A) en 280. Ejecute el trabajo.
    NOTA: La máscara debe abarcar toda la partícula.
  3. Para elegir las mejores clases 2D, haga clic en el método De selección de subconjuntos , ingrese el archivo _model.star del paso 7.2 y Ejecute el trabajo. Seleccione las clases como se describe en el paso 4.2.
  4. Repita los pasos 7.2 y 7.3 para eliminar las partículas no convergentes.

8. RELION-3 - Refinamiento 3D, creación de máscaras y post-procesamiento

  1. Utilice el mapa generado en cryoSPARC v3 (paso 5.2) como modelo inicial para el refinamiento 3D en RELION-3. Seleccione el método Import y establezca los siguientes parámetros en la pestaña E/S : Importar películas/micrografías RAW: No, Archivos de entrada RAW: Movies/*.mrc.
  2. Proporcione el archivo MTF e introduzca los parámetros de adquisición de películas como se describe en el paso 1.3. En la pestaña Otros , seleccione el mapa cryoSPARC v3 como archivo de entrada, cambie Tipo de nodo a referencia 3D (.mrc) y Ejecute el trabajo.
  3. Seleccione Refinamiento automático 3D y, en la pestaña E/S , establezca Imágenes de entrada como el archivo particles.star del paso 7.3 o el último trabajo de selección. Proporcione la reconstrucción de cryoSPARC v3 como mapa de referencia. Haga clic en la pestaña Referencia y cambie el filtro de paso bajo inicial (Å) a 50 y la simetría a icosaédrica. En la pestaña Optimización , cambie el diámetro de la máscara (Å) a 280 y ejecute el trabajo.
  4. Una vez finalizada la carrera, abra run_class001.mrc en UCSF Chimera.
  5. En UCSF Chimera, haga clic en Herramientas y, en Datos de volumen, seleccione Visor de volúmenes. Esto abrirá una nueva ventana para ajustar la configuración de volumen. Cambie el paso a 1 y ajuste el control deslizante hasta alcanzar el valor de nivel donde el mapa no tiene ruido. Registre este valor, ya que se utilizará para la creación de máscaras en el siguiente paso.
  6. El mapa producido a partir del refinamiento automático no refleja el verdadero FSC, ya que el ruido del disolvente circundante reduce la resolución. Antes del post-procesamiento, cree una máscara para distinguir la muestra de la región del solvente.
    1. Haga clic en Creación de máscaras e ingrese run_class001.mrc del paso 8.3.
    2. Haga clic en la pestaña Máscara y ajuste los parámetros de la siguiente manera: Mapa de filtro de paso bajo (Å): 10, Tamaño de píxel (Å): 1.045, Umbral de binarización inicial: el valor de nivel obtenido en el paso 8.5, Extender mapa binario tantos píxeles: 3 y Agregar un borde suave de tantos píxeles: 3. Ejecute el trabajo.
  7. Examine la máscara en UCSF Chimera. Si la máscara está demasiado apretada, aumente Extender mapa binario tantos píxeles y/o Añadir un borde suave de tantos píxeles. Es importante crear una máscara con bordes suaves, ya que una máscara afilada puede provocar un sobreajuste.
  8. Haga clic en Post-Procesamiento y en la pestaña E/S , ingrese los semi-mapas creados en el paso 8.3 y la máscara desde 8.6. Establezca el tamaño de píxel calibrado en 1.045 å. En la pestaña Enfocar , ingrese lo siguiente: ¿Estimar el factor B automáticamente?: Sí, la resolución más baja para el ajuste automático B (A) : 10, ¿usa su propio factor B?: No. En la pestaña Filtro , establezca Omitir ponderación FSC? en No. Ejecutar el trabajo.

9. RELION-3 - Entrenamiento de pulido y pulido de partículas

  1. Antes de corregir el movimiento inducido por haz por partícula, primero use el modo de entrenamiento para identificar las pistas de movimiento óptimas para el conjunto de datos. Abra El pulido bayesiano y, en la pestaña E/S , introduzca las micrografías corregidas por movimiento del paso 6.3, las partículas del paso 8.3 y el archivo .star del postproceso del paso 8.8. Haga clic en la pestaña Entrenamiento y establezca los siguientes parámetros: Parámetros óptimos del tren: Sí, Fracción de píxeles de Fourier para pruebas: 0.5, Use esta cantidad de partículas: 5000. Ejecute el trabajo.
    Nota : este script producirá opt_params_all_groups.txt archivo en la carpeta polaca RELION-3 que contiene los parámetros de pulido optimizados necesarios para ejecutar el siguiente paso.
  2. Una vez finalizado el trabajo de entrenamiento, haga clic en Pulido bayesiano. Haga clic en la pestaña Entrenamiento y establezca ¿Parámetros óptimos del tren? en No. Seleccione la ficha Polaco y, en Archivo de parámetros optimizados , especifique la ruta al archivo de opt_params_all_groups.txt del paso 9.1. Haga clic en Ejecutar.
  3. Repita el refinamiento 3D (paso 8.3) y el postprocesamiento (paso 8.8) con un conjunto de partículas pulidas.

10. RELION-3 - Refinamientos CTF y por partícula

  1. Para estimar aberraciones de orden superior, abra Refinamiento de CTF y, en la pestaña E/S en Partículas, seleccione la ruta al archivo .star que contiene partículas pulidas del reciente trabajo Refine 3D (run_data.star).
    1. En Postprocess Star File, establezca la ruta de acceso a la salida del último trabajo de posprocesamiento (paso 9.3).
    2. Seleccione la pestaña Ajustar y establezca los siguientes parámetros: Estimación (aumento anisotrópico): No, ¿Realizar ajuste de parámetros CTF? No, estima Beamtilt: Sí, ¿ también estima trefoil? Sí, ¿estima las abberaciones de 4º orden? Sí. Ejecute el trabajo.
  2. Repita el paso 10.1 utilizando como entrada las partículas (de Refine3D) generadas en el trabajo anterior (particles_ctf_refine.star). En la pestaña Ajustar , cambie Estimación (ampliación anisotrópica) a Sí y Ejecutar el trabajo.
  3. Repita el paso 10.2 utilizando como entrada partículas (de Refine3D) producidas en el trabajo anterior (particles_ctf_refine.star). En la pestaña Ajustar , establezca los siguientes parámetros: Estimación (aumento anisotrópico): No, ¿Realizar ajuste de parámetros CTF?: Sí, ¿Ajustar desenfoque?: ¿Por partícula, Astigmatismo de ajuste? ¿Por micrografía, ajuste del factor B?: No, Ajuste de cambio de fase: No, ¿Estimar el haz?: No, ¿Estimar aberraciones de 4º orden?: No. Ejecutarlo .
    NOTA: Dado que la partícula tiene suficiente contraste, la pestaña ¿Astigmatismo de ajuste? se puede establecer en Per-partícula. Para este conjunto de datos, el refinamiento del astigmatismo por partícula no mejoró la calidad y la resolución del mapa.
  4. Repita el refinamiento 3D con las partículas del paso 10.3 y en la pestaña E/S, establezca ¿Usar FSC aplanados con disolvente? en sí. Cuando termine de ejecutarse, ejecute un trabajo de posprocesamiento (paso 8.8) y examine el mapa en UCSF Chimera (paso 5.2).

11. Transferencia de coordenadas de partículas RELION-3 y mapa 3D a Scipion 3

  1. Para refinar y validar aún más el mapa RELION-3, primero importe el volumen y las partículas del último trabajo de posprocesamiento (paso 10.4) a Scipion 3. Inicie Scipion 3 y cree un nuevo proyecto.
  2. En el panel Protocolos de la izquierda, seleccione el menú desplegable Importaciones y haga clic en Importar partículas. Cambie los siguientes parámetros: Importar desde: RELION-3, Archivo estrella: postprocess.star y especifique los parámetros de adquisición como en el paso 1.3. Haga clic en Ejecutar.
  3. Haga clic en el menú desplegable Importaciones y seleccione Importar volúmenes. En Importar desde , indique la ruta al mapa RELION-3. Cambie el tamaño de píxel (frecuencia de muestreo) Å/px a 1.045 y ejecute.

12. Scipion 3 - Refinamiento de alta resolución

  1. Primero, realice una alineación global. Seleccione el menú desplegable Refinar en el panel Protocolos y haga clic en Xmipp3 - highres24. Introduzca las partículas y volúmenes importados de los pasos 11.2 y 11.3 como imágenes de tamaño completo y volúmenes iniciales, respectivamente, y establezca el grupo de simetría en icosaédrico. En la pestaña Alineación de imagen, en Asignación angular, elija Global y establezca la Resolución máxima de destino en 3 Å, y Ejecute el trabajo.
  2. Cuando finalice el trabajo, haga clic en Analizar resultados. En la nueva ventana, haga clic en el icono de UCSF Chimera para examinar el volumen refinado. Además, haga clic en Gráficos de resolución de pantalla (FSC) para ver cómo ha cambiado el FSC después del refinamiento, así como histograma de gráfico con cambios angulares para ver si las asignaciones de ángulo de Euler han cambiado.
    NOTA: Dependiendo de la resolución de la estructura RELION-3 de entrada, este paso puede repetirse varias veces con diferentes valores establecidos para la resolución de destino máximo en la pestaña Asignación angular . Para obtener más información, consulte el tutorial de Scipion25.
  3. Repita el paso 12.1 con una alineación local. Copie el trabajo anterior y cambie Seleccionar ejecución anterior a Xmipp3 - highres Global. En la pestaña Asignación angular , cambie Alineación de imagen a Local. Establezca la resolución de destino máxima en 2,1 Å.
  4. Examine el mapa refinado en UCSF Chimera y analice el cambio en fsc y asignaciones angulares (paso 12.2). Repita el refinamiento local hasta que la resolución no mejore y las asignaciones angulares hayan convergido, ajustando la resolución máxima de destino según sea necesario.
  5. El mapa de salida de Scipion 3 se puede modificar y afilar adicionalmente en Phenix26.

13. Scipion 3 - Validación de mapas

  1. Examine la resolución local del mapa final generado en Xmipp3 - highres. Abra Xmipp - MonoRes27 local e introduzca el volumen final del trabajo anterior y la máscara generada en el paso 8.6. Establezca el rango de resolución de 1 a 6 Å con un intervalo de 0,1 Å y ejecute el trabajo.
  2. Cuando termine de ejecutarse, haga clic en Analizar resultados y examine el histograma de resolución y los segmentos de volumen coloreados por resolución.
  3. Para ver si las partículas están bien alineadas, abra Multireference Alignability28 e introduzca las partículas y el volumen del paso 12.3. Haga clic en Analizar resultados para mostrar el gráfico de validación. Idealmente, todos los puntos deben agruparse alrededor (1.0,1.0).
  4. Abra Xmipp3 - Validar sobreajuste. Introduzca las partículas y los volúmenes del paso 12.3. Cuando termine de ejecutarse, analice los resultados e inspeccione la parcela de sobreajuste. El cruce de las curvas de ruido gaussiano alineado y partículas alineadas indica sobreajuste.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Hemos presentado una completa cartera de SPA para obtener una estructura de alta resolución utilizando tres plataformas de procesamiento diferentes: cryoSPARC v3, RELION-3 y Scipion 3. La Figura 1 y la Figura 4 resumen el flujo de trabajo de procesamiento general, y la Tabla 1 detalla los protocolos de refinamiento. Estos protocolos se utilizaron durante los refinamientos de una estructura de 2.3 Å de AAV, logrando una resolución cercana a Nyquist.

Las películas se importaron por primera vez a cryoSPARC v3 y posteriormente se corrigieron en movimiento y CTF para generar micrografías promediadas. Al seleccionar micrografías para su posterior procesamiento, es importante elegir aquellas con un buen ajuste de CTF y bajo astigmatismo (Figura 2), ya que incluir micrografías de mala calidad puede dificultar las etapas de procesamiento posteriores, lo que resulta en una reconstrucción de menor resolución. 27.364 partículas fueron recogidas y extraídas de las micrografías seleccionadas. Debido a que el diámetro del AAV es de aproximadamente 220 Å y el tamaño de píxel es de 1.045 Å, se utilizó un tamaño de caja de 300 px. A continuación, se utilizó la clasificación 2D iterativa para eliminar artefactos y partículas que no convergían a clases estables. En la Figura 3 se presentan ejemplos de promedios de clases 2D seleccionados y excluidos. También es importante tener en cuenta que los promedios de clase que reflejan diferentes conformaciones del espécimen deben refinarse por separado para producir múltiples reconstrucciones 3D. En tal caso, se deben calcular múltiples volúmenes iniciales ab initio . Aquí, se seleccionaron 26.741 partículas y se utilizaron para el modelado ab initio y el refinamiento homogéneo de una sola estructura de 2,9 Å.

Después de transferir las coordenadas de las partículas recogidas en cryoSPARC v3 a RELION-3, llevamos a cabo cuatro rondas adicionales de clasificación 2D hasta que el conjunto de datos convergió a clases 2D estables. La clasificación 2D descrita anteriormente eliminó 3.154 partículas adicionales del conjunto de datos. Utilizando la estructura generada en cryoSPARC v3 como modelo inicial, el refinamiento 3D en RELION-3 produjo una estructura con una resolución casi equivalente de 2,95 Å. Los refinamientos estructurales posteriores, que incluyeron la corrección de movimiento por partícula y los refinamientos de CTF, aumentaron la resolución a 2,61 Å. Una lista completa de los refinamientos que realizamos se presenta en la Tabla 1. El volumen calculado en RELION-3 se refinó aún más en Scipion 3 utilizando múltiples rondas de refinamiento de alta resolución (Xmipp3 - highres). Durante las rondas posteriores de refinamiento, se eliminaron 3.186 partículas adicionales del conjunto de datos, lo que resultó en un conjunto final de 20.401 partículas, lo que produjo una reconstrucción de 2,3 Å de AAV (Figura 5 y Figura 6). Por lo tanto, dado el tamaño de píxel de 1.045 Å, nuestros refinamientos casi han alcanzado el límite de Nyquist. Las curvas FSC que representan estructuras calculadas utilizando cada programa se muestran en la Figura 6. Estas curvas FSC indican el aumento de la resolución a lo largo del flujo de trabajo. Debido a que la resolución puede variar de un punto a otro en el mapa, a menudo es más apropiado presentar la distribución de las estimaciones de resolución local en el mapa en lugar de informar una sola estimación de resolución de acuerdo con un solo criterio (por ejemplo, criterio 0.143) de la curva FSC. Por lo tanto, realizamos dicho análisis utilizando Xmipp - MonoRes en Scipion 3. La Figura 7 muestra una comparación de las estimaciones de resolución local para los mapas obtenidos con cryoSPARC v3 y Scipion 3. Las estimaciones de resolución en cuatro segmentos diferentes a través de las estructuras (Figura 7A, B) y los histogramas de resolución (Figura 7C) demuestran claramente la mejora incremental en la resolución local entre los mapas a lo largo del flujo de trabajo. La curva FSC calculada utilizando el programa Xmipp3 - highres en Scipion 3 indica que se ha alcanzado el límite de Nyquist (Figura 6), lo que sugiere que la estimación de resolución está muy probablemente limitada por el submuestreo29. Sin embargo, el análisis monoRes presentado en la Figura 7C, junto con un análisis cuidadoso del mapa EM y el ajuste del mapa con coordenadas atómicas de AAV (Figura 5) sugieren que una estimación de resolución más adecuada para el mapa es 2.3 Å. Anteriormente se ha presentado una estrategia similar que concilia las estimaciones de resolución del FSC y MonoRes24,25. Debido a que las estimaciones de resolución pueden verse influenciadas por la máscara utilizada durante los pasos de refinamiento, es importante asegurarse de que la máscara no excluya ninguna parte de la densidad. La máscara utilizada en este estudio superpuesta con las reconstrucciones 3D se presenta en la Figura 7D. El aumento gradual de la resolución en el flujo de trabajo presentado destaca la ventaja de utilizar algoritmos de múltiples paquetes de software SPA para lograr una reconstrucción 3D de alta calidad y alta resolución.

La construcción de modelos in situ o la adaptación del mapa con un modelo atómico preexistente pueden servir como control de calidad para la estructura calculada. Hemos visualizado el mapa final en UCSF Chimera y ajustado el mapa con un modelo atómico publicado previamente (PDB ID: 7kfr)30. La Figura 5 muestra las regiones del mapa crio-EM equipadas con coordenadas atómicas de AAV. Las densidades EM bien definidas permiten ajustar cadenas laterales de aminoácidos individuales, moléculas de agua e iones de magnesio y confirman la concordancia del mapa crio-EM con el modelo atómico.

Figure 1
Figura 1: Flujo de trabajo COMPLETO de SPA en cryoSPARC v3, RELION-3, Scipion 3 y Phenix 1.18. Los pasos completados en cryoSPARC v3, RELION-3, Scipion 3 y Phenix 1.18 se denotan con cuadros morados, naranjas, verdes y grises, respectivamente. El tiempo requerido para completar cada paso utilizando el servidor de procesamiento equipado con 8 GPU, 40 CPU y 750 GB de RAM se especifica en cada caja individual. Haga clic aquí para ver una versión más grande de esta figura.

Figure 2
Figura 2: Selección de micrografías para el procesamiento posterior en crioSPARC v3. (A) Se utilizaron micrografías con anillos de Thon estimados y experimentales bien emparejados para el procesamiento posterior, mientras que aquellas con alto astigmatismo y mal ajuste (B) se descartaron. Las micrografías con ajuste CTF por encima de 5 Å, el astigmatismo superior a 400 Å y el espesor relativo del hielo por debajo de 2 se eliminaron del procesamiento posterior, es decir, 70/395 micrografías. Haga clic aquí para ver una versión más grande de esta figura.

Figure 3
Figura 3: Selección de clases 2D. Se seleccionan los promedios de clase 2D que contienen clases bien definidas (A), y se rechazan aquellos con baja resolución, ruido y partículas parciales (B). Haga clic aquí para ver una versión más grande de esta figura.

Figure 4
Figura 4: Flujo de trabajo y resultados representativos para el procesamiento AAV en cryoSPARC v3, RELION-3 y Scipion 3. Los pasos completados en cryoSPARC v3, RELION-3 y Scipion 3 se denotan con flechas púrpura, naranja y verde, respectivamente. Haga clic aquí para ver una versión más grande de esta figura.

Figure 5
Figura 5: La estructura de alta resolución de AAV muestra densidades EM bien definidas que representan diferentes elementos de estructura secundaria y cadenas laterales de aminoácidos individuales. (A) Un mapa final de AAV. (B) Una parte del mapa que representa hojas beta equipadas con coordenadas atómicas de AAV (ID de PDB: 7kfr)30. (C) Densidades de mapa que representan aminoácidos individuales. De izquierda a derecha: arginina, fenilalanina y triptófano. (D) Las características de alta resolución del mapa incluyen moléculas de agua presentadas en iones rojos y magnesio presentados como esferas verdes. El ion Mg2+ que se muestra en la figura está coordinado por los residuos de histidina (izquierda) y arginina. Haga clic aquí para ver una versión más grande de esta figura.

Figure 6
Figura 6: Las curvas FSC de cryoSPARC v3, RELION-3 y Scipion 3 muestran una resolución cada vez mayor en todo el flujo de trabajo. Si bien la curva FSC calculada utilizando el programa Xmipp3 - highres en Scipion 3 indica que se ha alcanzado el límite de Nyquist, lo que sugiere que la estimación de resolución está limitada por el submuestreo29, en la Figura 7 se presenta un análisis más adecuado de la resolución del mapa y se discute en la sección resultados representativos24,25. Haga clic aquí para ver una versión más grande de esta figura.

Figure 7
Figura 7: Validación de la reconstrucción final en Scipion 3 usando Xmipp - MonoRes. La resolución del mapa se describe mejor presentando distribuciones de resolución locales en lugar de una sola estimación de resolución de acuerdo con un único criterio de la curva FSC. (A-B) Los paneles A y B muestran diferentes cortes de mapas generados en cryoSPARC v3 y Scipion 3, respectivamente. (C) Histogramas que demuestren un aumento sistemático en la resolución local para mapas calculados en cryoSPARC v3 (barras rosas) y Scipion 3 (barras azules). (D) La máscara (gris) utilizada para los cálculos de resolución local contiene todas las partes de las densidades AAV refinadas en ambos programas. Haga clic aquí para ver una versión más grande de esta figura.

Programa Tipo de refinamiento Guión
cryoSPARC v3 Refinamiento homogéneo Refinamiento homogéneo
Refinamiento no uniforme Refinamiento no uniforme
Refinamiento heterogéneo Refinamiento heterogéneo
Corrección de movimiento por partícula Corrección de movimiento local
RELION-3 Refinamiento 3D Refinar3D
Postprocesamiento - Afilado del factor B, Corrección MTF Refinar3D
Pulido de partículas Pulido bayesiano
Refinamiento de CTF - inclinación del haz CtfRefine
Refinamiento de CTF - aumento anisotrópico CtfRefine
Refinamiento de CTF: desenfoque por partícula, astigmatismo por partícula/micrografía CtfRefine
Corrección de la curvatura de la esfera de Ewald Relion_reconstruct
Escipión 3 Refinamiento de alta resolución Xmipp3 - highres
Fenix 1.18 Modificación de la densidad y afilado ResolveCryoEM

Tabla 1: Refinamientos implementados en todo el flujo de trabajo. Si ciertos refinamientos son aplicables a un proyecto específico depende de la calidad de los datos y los parámetros de adquisición. Por ejemplo, la corrección de curvatura de la esfera de Ewald se puede aplicar para mapas que ya tienen alta resolución.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

En este artículo, presentamos un sólido flujo de trabajo SPA para el procesamiento de datos crio-EM en varias plataformas de software para lograr reconstrucciones 3D de alta resolución (Figura 1). Este flujo de trabajo es aplicable a una amplia variedad de macromoléculas biológicas. Los pasos posteriores del protocolo se describen en la Figura 4, incluido el preprocesamiento de películas, la selección y clasificación de partículas y múltiples métodos para el refinamiento de la estructura (Tabla 1) y la validación. Se han presentado los pasos de procesamiento en cryoSPARC v3, RELION-3 y Scipion 3, así como los métodos para transferir datos entre los paquetes de software. Hemos mostrado las estructuras intermedias obtenidas a lo largo del protocolo con resolución creciente (Figura 4, Figura 6 y Figura 7).

Si bien los métodos descritos en este manuscrito se pueden utilizar para la determinación de la estructura de diferentes proteínas y ensamblajes biológicos, es importante tener en cuenta que AAV es un candidato ideal para la determinación de estructuras de alta resolución mediante crio-EM y SPA, ya que su gran tamaño produce un alto contraste en el microscopio y la simetría icosaédrica produce partículas con redundancia de subunidades de 60 veces. La obtención de reconstrucciones de alta resolución se vuelve cada vez más difícil para muestras pequeñas (es decir, menos de 100 kD), dinámicas y heterogéneas. Para ejecutar con éxito este protocolo, es fundamental que se recopilen muchas películas de alta calidad para su procesamiento. Con datos brutos de mala calidad, no es posible obtener una reconstrucción de alta resolución y alta calidad. Por ejemplo, si el espesor del hielo no es óptimo para la determinación de la estructura o si las partículas se adhieren a la interfaz hielo-agua o exhiben orientaciones preferidas, revise las condiciones de congelación de la rejilla.

Otro paso importante en el flujo de trabajo es la recolección y extracción de partículas. Durante la recolección de partículas, el tamaño de la caja debe ser aproximadamente 1.4-2.5 veces más grande que el eje más largo de la partícula, ya que se requiere suficiente tamaño de caja para capturar información de alta resolución distribuida debido al desenfoque. Sin embargo, los tamaños de caja más grandes requieren tiempos de procesamiento más largos debido al mayor tamaño de los archivos generados durante la extracción de partículas. Al elegir un tamaño de caja, tenga en cuenta el diámetro de partícula y el tamaño de píxel. Con muchas partículas, el usuario puede querer almacenar partículas durante la extracción para el procesamiento inicial y luego volver a extraer partículas de tamaño completo para el refinamiento final. Este protocolo utiliza la selección manual de partículas para generar plantillas para la selección automática. Sin embargo, cryoSPARC v3 también ofrece métodos de selección totalmente automatizados, incluido un selector basado en blobs y un envoltorio Topaz, que utiliza el aprendizaje profundo para seleccionar partículas basadas en selecciones anteriores. Si bien estos algoritmos son muy robustos, un número significativo de selecciones tendría que ser eliminado más tarde por clasificación 2D y 3D.

Los pasos críticos también incluyen la clasificación 2D y 3D utilizada para eliminar artefactos, como partículas dañadas por radiación y separar diferentes formas estructurales de la muestra presente en la muestra, respectivamente. El número de clases 2D establecidas por el usuario debe depender del número de partículas extraídas de las micrografías, el contraste y la heterogeneidad en la muestra, ya que el objetivo es separar cada vista individual de la partícula en una clase 2D separada. Como regla general, agregue una clase 2D por cada 100 partículas, y si procesa una nueva muestra con una gran cantidad de partículas, 100 clases es un buen punto de partida. Si se obtiene una resolución baja o moderada incluso después de muchas rondas de clasificación 2D y 3D, intente volver a extraer partículas con un tamaño de caja más grande para ver si se puede obtener más información estructural. Al informar la resolución de la reconstrucción final, se debe analizar la curva FSC obtenida de acuerdo con el método estándar de oro, junto con las estimaciones de resolución local y la inspección cuidadosa de las densidades del mapa, así como su acuerdo con el modelo atómico.

Para el refinamiento de las estructuras del virus, la corrección de la curvatura de la esfera de Ewald implementada en RELION-3 ha demostrado mejoras en alta resolución31. Si refina estructuras de complejos multiproteicos dinámicos, pruebe el refinamiento multicuerpo 3D implementado en RELION-3 o la clasificación enfocada con sustracción de imágenes implementada en RELION-3 y cryoSPARC v3. Si la heterogeneidad no puede resolverse computacionalmente, es necesario revisar las condiciones de preparación de la muestra32. La pureza insuficiente o la preparación inadecuada que resulta en la degradación de proteínas dificultarán la calidad de la reconstrucción 3D. Además, las condiciones tampón que desestabilizan las proteínas o promueven la agregación limitan severamente el número de partículas bien definidas que se pueden utilizar para el cálculo de la estructura. Por lo tanto, para utilizar de manera más efectiva los métodos presentados aquí, es imperativo identificar las condiciones óptimas para la estabilidad de la muestra. Recomendamos la microscopía electrónica de tinción negativa para examinar las muestras antes de la crio-EM.

A medida que cryo-EM se ha convertido en el método preferido para la determinación de estructuras 3D para un número cada vez mayor de biólogos estructurales, la necesidad de un flujo de trabajo integrador y robusto para el procesamiento de imágenes y la determinación de estructuras se hace más evidente. CryoSPARC ofrece una interfaz gráfica de usuario (GUI) fácil de usar y basada en la web que permite a los usuarios de todos los niveles de experiencia procesar datos rápidamente y calcular una estructura 3D. En particular, CryoSPARC utiliza un descenso de gradiente estocástico para realizar la reconstrucción ab initio 3D. Además, el software emplea un algoritmo de optimización de probabilidad de ramificación y límite para un rápido refinamiento de mapas 3D7. La canalización de procesamiento descrita en este artículo utiliza cryoSPARC v3 para obtener un mapa 3D inicial. La reconstrucción 3D se refina en RELION-3, un paquete popular que utiliza un enfoque bayesiano empírico para estimar parámetros críticos basados en el conjunto de datos del usuario, reduciendo así la necesidad de conocimiento experto para la operación del programa10. Específicamente, utilizamos el pulido bayesiano para la corrección de movimiento por partícula y los refinamientos CTF para mejorar la resolución. Finalmente, la estructura resultante se refina y valida aún más en Scipion 311, un shell integrador de Python que admite algoritmos de múltiples plataformas, incluidas Xmipp13, EMAN28, SPIDER12 y otras. Si bien hay muchos paquetes de software diferentes disponibles para los usuarios de cryo-EM, actualmente no existe una plataforma SPA universal aceptada por el campo. Aunque el flujo de trabajo de SPA se puede ejecutar completamente en cualquiera de los tres paquetes de software descritos en este artículo, diferentes algoritmos pueden producir resultados variables. En consecuencia, los pasos individuales deben personalizarse en función de la muestra y la calidad de los datos. Por ejemplo, para el conjunto de datos actual, 3Drefine en RELION-3 aumentó la resolución de la reconstrucción 3D, mientras que el refinamiento no uniforme en cryoSPARC v3 condujo a una ligera disminución de la resolución. Por lo tanto, es muy beneficioso utilizar una variedad de programas para recalcular estructuras para lograr una calidad y resolución óptimas y para facilitar la validación de las reconstrucciones. Aunque, Scipion 3 contiene numerosos algoritmos de cryoSPARC v3 y RELION-3, las implementaciones más recientes de estos programas no están disponibles de inmediato en Scipion. Por ejemplo, de los programas utilizados en este manuscrito, solo RELION-3 ofrece corrección de curvatura de esfera de Ewald a través del script Relion_reconstruct. La canalización presentada en este artículo proporciona una guía para que tanto los usuarios nuevos como los experimentados utilicen con éxito los algoritmos implementados en cryoSPARC v3, RELION-3 y Scipion 3 para calcular estructuras 3D a una resolución casi atómica.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Los autores no tienen nada que revelar.

Acknowledgments

Agradecemos a Carlos Oscar Sorzano por su ayuda con la instalación de Scipion3 y a Kilian Schnelle y Arne Moeller por su ayuda con la transferencia de datos entre diferentes plataformas de procesamiento. Una parte de esta investigación fue apoyada por la subvención U24GM129547 de los NIH y realizada en el PNCC en OHSU y se accedió a través de EMSL (grid.436923.9), una Instalación de Usuario de la Oficina de Ciencia del DOE patrocinada por la Oficina de Investigación Biológica y Ambiental. Este estudio fue apoyado por una subvención inicial de la Universidad de Rutgers a Arek Kulczyk.

Materials

Name Company Catalog Number Comments
CryoSPARC Structura Biotechnology Inc. https://cryosparc.com/
CTFFIND 4 Howard Hughes Medical Institute, UMass Chan Medical School https://grigoriefflab.umassmed.edu/ctffind4
MotionCorr2 UCSF Macromolecular Structure Group https://msg.ucsf.edu/software
Phenix Computational Tools for Macromolecular Neutron Crystallography (MNC) http://www.phenix-online.org/
PyEM Univerisity of California, San Francisco https://github.com/asarnow/pyem
RELION MRC Laboratory of Structural Biology https://www3.mrc-lmb.cam.ac.uk/relion/index.php/Main_Page
Scipion Instruct Image Processing Center (I2PC), SciLifeLab http://scipion.i2pc.es/
UCSF Chimera UCSF Resource for Biocomputing, Visualization, and Informatics https://www.cgl.ucsf.edu/chimera/

DOWNLOAD MATERIALS LIST

References

  1. Bartesaghi, A., et al. Atomic resolution Cryo-EM structure of beta-galactosidase. Structure. 26 (6), 848-856 (2018).
  2. Merk, A., et al. Breaking Cryo-EM resolution barriers to facilitate drug discovery. Cell. 165 (7), 1698-1707 (2016).
  3. Wardell, M., et al. The atomic structure of human methemalbumin at 1.9 A. Biochemical and Biophysical Research Communications. 291 (4), 813-819 (2002).
  4. PDB statistics: Growth of Structures from 3DEM Experiments Released per Year. RCSB PDB. , Available from: https://www.rcsb.org/stats/growth/growth-em (2021).
  5. Lander, G. C., et al. Appion: an integrated, database-driven pipeline to facilitate EM image processing. Journal of Structural Biology. 166 (1), 95-102 (2009).
  6. Grant, T., Rohou, A., Grigorieff, N. cisTEM, user-friendly software for single-particle image processing. Elife. 7, 35383 (2018).
  7. Punjani, A., Rubinstein, J. L., Fleet, D. J., Brubaker, M. A. cryoSPARC: algorithms for rapid unsupervised cryo-EM structure determination. Nature Methods. 14 (3), 290-296 (2017).
  8. Tang, G., et al. EMAN2: an extensible image processing suite for electron microscopy. Journal of Structural Biology. 157 (1), 38-46 (2007).
  9. van Heel, M., Harauz, G., Orlova, E. V., Schmidt, R., Schatz, M. A new generation of the IMAGIC image processing system. Journal of Structural Biology. 116 (1), 17-24 (1996).
  10. Scheres, S. H. RELION: Implementation of a Bayesian approach to cryo-EM structure determination. Journal of Structural Biology. 180 (3), 519-530 (2012).
  11. de la Rosa-Trevin, J. M., et al. Scipion: A software framework toward integration, reproducibility and validation in 3D electron microscopy. Journal of Structural Biology. 195 (1), 93-99 (2016).
  12. Shaikh, T. R., et al. SPIDER image processing for single-particle reconstruction of biological macromolecules from electron micrographs. Nature Protocols. 3 (12), 1941-1974 (2008).
  13. Sorzano, C. O., et al. XMIPP: a new generation of an open-source image processing package for electron microscopy. Journal of Structural Biology. 148 (2), 194-204 (2004).
  14. Lawson, C. L., Chiu, W. Comparing cryo-EM structures. Journal of Structural Biology. 204 (3), 523-526 (2018).
  15. Naso, M. F., Tomkowicz, B., Perry, W. L., Strohl, W. R. Adeno-associated virus (AAV) as a vector for gene therapy. BioDrugs. 31 (4), 317-334 (2017).
  16. Dawood, S., Punjani, S., Arulthasan, S. Cryo-EM data processing in cryoSPARC: Introductory Tutorial. at. , Available from: https://guide.cryosparc.com/processing-data/cryo-em-data-processing-in-cryosparc-introductory-tutorial (2020).
  17. Bepler, T., Noble, A. J., Berger, B. Topaz-Denoise: general deep denoising models for cryoEM and cryoET. Nature Communications. 11 (5208), (2020).
  18. Pettersen, E. F., et al. UCSF Chimera-a visualization system for exploratory research and analysis. Journal of Computational Chemistry. 25 (13), 1605-1612 (2004).
  19. Scheres, S. Single-particle processing in RELION-3.1. , Available from: https://hpc.nih.gov/apps/RELION/relion31_tutorial.pdf (2019).
  20. Zheng, S. Q., Palovcak, E., Armache, J. P., Verba, K. A., Cheng, Y., Agard, D. A. MotionCor2: anisotropic correction of beam-induced motion for improved cryo-electron microscopy. Nature Methods. 14 (4), 331-332 (2017).
  21. Zheng, S. MotionCor2 User Manual. , Available from: https://hpc.nih.gov/apps/RELION/MotionCor2-UserManual-05-03-2018.pdf (2018).
  22. Rohou, A., Grigorieff, N. CTFFIND4: Fast and accurate defocus estimation from electron micrographs. Journal of Structural Biology. 192 (2), 216-221 (2015).
  23. Asarnow, D., Palovacak, E., Cheng, Y. UCSF PyEM v0.5. , Available from: https://github.com/asarnow/pyem (2019).
  24. Sorzano, C. O. S., et al. A new algorithm for high-resolution reconstruction of single particles by electron microscopy. Journal of Structural Biology. 204 (2), 329-337 (2018).
  25. Jimenez-Moreno, A., et al. Cryo-EM and single-particle analysis with Scipion. Journal of Visualized Experiments: JoVE. (171), e62261 (2021).
  26. Adams, P. D., et al. PHENIX: a comprehensive Python-based system for macromolecular structure solution. Acta Crystallographica Section D Biological Crystallography. 66, 213-221 (2010).
  27. Vilas, J. L., et al. MonoRes: Automatic and accurate estimation of local resolution for electron microscopy maps. Structure. 26 (2), 337-344 (2018).
  28. Sorzano, C. O., et al. A clustering approach to multireference alignment of single-particle projections in electron microscopy. Journal of Structural Biology. 171 (2), 197-206 (2010).
  29. Penczek, P. A. Resolution measures in molecular electron microscopy. Methods in Enzymology. 482, 73-100 (2010).
  30. Xie, Q., Yoshioka, C. K., Chapman, M. S. Adeno-associated virus (AAV-DJ)-Cryo-EM structure at 1.56 A Resolution. Viruses. 12 (10), 1194 (2020).
  31. Zivanov, J., et al. New tools for automated high-resolution cryo-EM structure determination in RELION-3. Elife. 7, 42166 (2018).
  32. Kulczyk, A. W., Moeller, A., Meyer, P., Sliz, P., Richardson, C. C. Cryo-EM structure of the replisome reveals multiple interaction coordinating DNA synthesis. Proceedings of the National Academy of Sciences of the United States of America. 114 (10), 1848-1856 (2017).

Tags

Bioquímica Número 179 microscopía crioelectrónica crio-EM análisis de partículas individuales SPA crioSPARC RELION Scipion procesamiento de imágenes cálculo de estructuras AAV
Un robusto flujo de trabajo de procesamiento de criomicroscopía electrónica de una sola partícula (cryo-EM) con cryoSPARC, RELION y Scipion
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

DiIorio, M. C., Kulczyk, A. W. A… More

DiIorio, M. C., Kulczyk, A. W. A Robust Single-Particle Cryo-Electron Microscopy (cryo-EM) Processing Workflow with cryoSPARC, RELION, and Scipion. J. Vis. Exp. (179), e63387, doi:10.3791/63387 (2022).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter