Enhancing Density Maps by removing the majority of particles in single particle cryyogenic electron microscopy final stacks(단일 입자 극저온 전자 현미경 최종 스택에서 대부분의 입자를 제거하여 밀도 맵 향상)
2024년 5월 10일
Cryo-EM을 위한 고급 입자 선택 방법인 CryoSieve는 실제 데이터 세트에 적용하여 입증된 바와 같이 최종 스택에서 대부분의 입자를 제거하여 밀도 맵 해상도를 향상시킵니다.
극저온 전자 현미경은 생물학적 거대분자의 원자에 가까운 구조를 결정하는 데 필수적입니다. 수많은 저신호 대 잡음비 이미지의 평균화에 의존하고 있음에도 불구하고 특정 해상도에 필요한 최적의 입자 수는 아직 알려져 있지 않습니다. 이러한 제한은 시료 분석 및 전처리 방법의 진행을 방해합니다.
이 문제를 해결하기 위해 반복 정렬 방법인 CryoSieve를 도입했습니다. 표준 프로토콜 선택에는 2차원 및 3차원 분류가 포함되며, Normalized Cross-correlation 방법, 각도 그래프 일관성 접근 방식 및 비정렬 분류와 같은 다른 프로토콜 정렬 기준이 현재 사용 중입니다. 광범위한 실험을 통해 CryoSieve가 다른 Cryo-EM 입자 분류 알고리즘보다 성능이 뛰어나 대부분의 입자가 최종 스택에서 필요하지 않다는 사실이 밝혀졌습니다.
최종 스택에 남아 있는 소수의 입자는 재구성 밀도 맵에서 매우 높은 해상도의 진폭을 생성합니다. 일부 데이터 세트의 경우 가장 미세한 부분 집합의 크기가 이론적 한계에 근접합니다. Cryo-EM에서 시료 전처리는 워크플로우를 방해합니다.
프로토콜 비교를 위한 표준 메트릭이 없기 때문에 수집된 입자에 대한 선택된 입자의 비율이 품질 메트릭으로 사용될 수 있습니다. 그들의 공간적, 시간적 분포를 조사하는 것은 또한 준비 효과에 대한 주요 물리적 요인을 강조할 수 있습니다.
개요
본 연구는 밀도 맵의 해상도를 높이는 저온 전자 현미경(cryo-EM)용 고급 입자 선택 방법인 CryoSieve를 소개합니다. CryoSieve는 최종 스택에서 불필요한 입자를 제거함으로써 재구성된 밀도 맵의 품질을 크게 향상시킵니다.
주요 연구 구성 요소
과학 분야
- 저온 전자 현미경법
- 구조 생물학
- 입자 선택 방법
배경
- Cryo-EM은 생체 고분자의 원자 수준에 가까운 구조를 결정하는 데 매우 중요합니다.
- 현재의 입자 선택 방법은 불필요한 입자를 포함하는 경우가 많아 해상도를 제한합니다.
- 표준 선택 기술에는 다양한 분류 방법과 지표가 포함됩니다.
- 시료 준비 프로토콜을 비교하기 위한 표준 지표가 부족한 실정입니다.
연구 목적
- cryo-EM에서의 입자 선택을 최적화하는 반복적 분류 방법을 개발하기 위함입니다.
- 밀도 맵 해상도 향상에 있어 CryoSieve의 효과를 입증하기 위함입니다.
- 수집된 입자 대비 선택된 입자의 비율을 기반으로 한 품질 지표를 수립하기 위함입니다.
사용된 방법
- 입자 선택을 위한 반복적 정렬 방법.
- 처리 효율성을 위한 GPU 가속.
- 환경 설정 및 CryoSieve 실행을 위한 특정 명령 사용.
- CryoSieve 적용 전후의 밀도 맵 비교.
주요 결과
- CryoSieve는 기존의 입자 선택 알고리즘보다 우수한 성능을 보였습니다.
- 최종 선택된 입자 서브셋은 이론적 한계에 근접하여 고해상도 맵을 생성했습니다.
- Rosenthal Henderson B factor에서 유의미한 개선이 관찰되었습니다.
- 향상된 밀도 맵을 통해 측쇄와 구조적 세부 사항이 더 명확하게 나타났습니다.
결론
- CryoSieve는 cryo-EM 밀도 맵의 품질을 효과적으로 향상시킵니다.
- 이 방법은 해상도를 개선하는 동시에 입자 수를 줄여줍니다.
- 향후 연구는 cryo-EM 시료 준비를 위한 지표의 표준화에 집중할 수 있습니다.
자주 묻는 질문
산업적 관련성 요약
생물학적 거대분자의 고해상도 구조 규명은 바이오 제약 R&D에서 표적 검증 및 기전적 리스크 감소를 위해 매우 중요합니다. CryoSieve 반복 입자 선택 워크플로우는 기여도가 낮은 대부분의 입자를 제거함으로써 단일 입자 cryo-EM의 밀도 맵 품질을 향상시키며, 이는 구조 모델의 예측 신뢰도에 직접적인 영향을 미칩니다. 이러한 기능은 분자적 통찰의 정확도를 높임으로써 더욱 신뢰할 수 있는 초기 발견 단계의 의사결정과 포트폴리오 우선순위 선정을 지원합니다.
바이오 제약 R&D에서의 전략적 응용
초기 발견 및 타겟 검증
- 개선된 구조적 명확성을 통해 치료 가설에 대한 엄격한 검증이 가능합니다.
- 밀도 맵을 원자 수준에 가까운 해상도로 정밀화하여 기전적 모호성을 줄여줍니다.
- 신뢰도가 더 높은 구조 데이터를 제공함으로써 기능적 타겟 검증을 지원합니다.
- 구조적 근거를 바탕으로 고품질 타겟을 구별하여 포트폴리오 우선순위 선정을 용이하게 합니다.
스크리닝 및 분석법 개발
- 다운스트림 스크리닝 및 화합물 평가 워크플로우를 위한 검증된 구조 모델을 준비합니다.
- 입자 선택 및 맵 품질을 표준화하여 분석 재현성을 향상시킵니다.
- 리간드 결합 또는 조절과 관련된 구조적 특징의 정량적 평가를 가능하게 합니다.
- 구조 기반 스크리닝을 위한 확장 가능하고 재사용 가능한 플랫폼 개발을 지원합니다.
중개 및 전임상 연구
- 중개 바이오마커 개발을 위해 구조적 출력물을 질병 관련 모델과 정렬합니다.
- 구조적 정확성을 보장함으로써 발견 단계부터 전임상 검증까지의 연속성을 제공합니다.
- 강력하고 고해상도인 분자 데이터를 제공하여 개발 진전 결정에 따른 리스크를 줄입니다.
- 후속 기능 및 약리학 연구에 대한 예측 가치를 높입니다.
파이프라인 및 워크플로우 통합
CryoSieve 워크플로우는 초기 구조 생물학부터 리드 화합물 발굴 및 전임상 연구에 이르는 발견 연속체에 통합되어, 반복적인 가설 검증과 모델 정교화를 지원합니다.
- 발견 생물학: 밀도 맵 해상도를 최대화하여 구조적 가설을 정교화하고 분자 경로를 명확히 합니다.
- 스크리닝: 분석법 개발 및 화합물 스크리닝을 위해 재현 가능한 고품질의 구조 데이터를 제공합니다.
- 분석학: 조건의 객관적 비교를 위해 B factor 및 국소 해상도와 같은 정량적 결과물을 제공합니다.
- 중개 연구: 구조 데이터를 질병 모델과 일치시켜 발견 단계와 전임상 단계를 연결합니다.
- 기업적 재사용: 여러 프로젝트에 걸쳐 입자 선택을 위한 표준화되고 확장 가능한 접근 방식을 수립합니다.
운영 및 기업적 영향
- 과학적 가치: 구조 모델의 예측 신뢰도를 높이고 기전적 불확실성을 줄입니다.
- 운영적 가치: 입자 선택 과정을 표준화하고 효율화하여 재현성과 확장성을 개선합니다.
- 전략적 가치: 더 정보에 기반한 go/no-go 결정을 가능하게 하며, 후기 단계의 생물학적 리스크를 줄여 자본 효율성을 높입니다.
- 포트폴리오 영향: 리스크 조정 우선순위 설정 및 구조적으로 검증된 타겟의 추진을 지원합니다.
구현 시 고려 사항
- cryo-EM 데이터 처리 및 구조 생물학 분야의 전문 지식이 필요합니다.
- 효율적인 반복 분류를 위해 GPU 가속 컴퓨팅 인프라가 요구됩니다.
- 입자 선택 및 품질 지표에 대한 팀 간의 표준화가 필요합니다.
- 다양한 거대 분자 시스템에 적용 가능하지만, 데이터 세트의 품질에 따라 결과가 달라집니다.
- 실제적인 제약 사항으로는 견고한 시료 준비 및 데이터 관리 워크플로우의 필요성이 포함됩니다.
