Modelado de deformación de nube de puntos para la selección de partículas tras la clasificación 2D de cryo-EM

Área de la Ciencia:

• Biología Estructural
• Biofísica
• Microscopía

Sus antecedentes:

• La criomicroscopía electrónica (cryo-EM) es vital para la determinación de estructuras macromoleculares de alta resolución.
• La clasificación de imágenes de cryo-EM de partícula única es un desafío debido a la deformación de las partículas.
• Los métodos tradicionales de clasificación 2D clasifican erróneamente las partículas deformadas, lo que afecta a los análisis posteriores.

Objetivo del estudio:

• Desarrollar un modelo novedoso para medir la deformación de partículas en imágenes de cryo-EM.
• Mejorar la precisión de la clasificación de partículas abordando los problemas de deformación.
• Mejorar la fiabilidad del análisis estructural de cryo-EM.

Principales métodos:

• Se desarrolló un modelo de medición de deformación basado en nubes de puntos.
• El modelo integra un Autoencoder Variacional (VAE) con un algoritmo heurístico de emparejamiento de nubes de puntos.
• Se calculan valores de deformación para identificar y filtrar partículas.

Principales resultados:

• El modelo identifica y elimina eficazmente las partículas con deformaciones significativas.
• Los experimentos en conjuntos de datos simulados y reales de cryo-EM (TMV, MS2) demostraron una clasificación robusta (F1: 0.85-0.88).
• El método conservó el 93-95% de los detalles estructurales al filtrar partículas deformadas después de la clasificación 2D.

Conclusiones:

• El modelo sirve como un paso de posprocesamiento para mejorar la calidad de los datos de cryo-EM.
• Al eliminar partículas deformadas o mal clasificadas, se mejora la precisión de la clasificación.
• Los conjuntos de datos de partículas mejorados conducen a un análisis estructural más fiable en cryo-EM.