Wir stellen HORNET vor, eine neuartige Methode zur Visualisierung der RNA-Struktur, die Sequenz und 3D-Topologie korreliert

Forscher des National Cancer Institute haben eine Methode namens HORNET zur Charakterisierung topologischer 3D-Strukturen großer und flexibler RNA-Moleküle entwickelt. Wissenschaftler verwendeten Rasterkraftmikroskopie (AFM) mit tiefen neuronalen Netzen und unbeaufsichtigtem maschinellem Lernen, um einzelne Konformere unter physiologischen Bedingungen zu erfassen.

Menschliche RNAs werden mit Strukturelementen transkribiert, die für biologische Funktionen entscheidend sind. Das Verständnis dieser Strukturen mit herkömmlichen Methoden wie der Kryo-Elektronenmikroskopie erfordert eine hohe Homogenität der Proben und eine Signalmittelung. Große, flexible, heterogene RNAs bleiben oft schwierig zu analysieren, da sie in Lösung mehrere Konformationen annehmen.

Es gibt keine große RNA-Strukturdatenbank, die die Sequenz mit der 3D-Topologie korreliert. Erfolgreiche proteinzentrierte Methoden wie AlphaFold sind für RNA weiterhin nicht verfügbar, was eine kritische Lücke in der Strukturbiologie schafft. Das allgemeine Fehlen RNA-spezifischer Deep-Learning-Ansätze spiegelt wahrscheinlich die Herausforderungen bei der Erfassung zuverlässiger Strukturmodelle wider.

In der Studie „Bestimmung von Strukturen von RNA-Konformern mithilfe von AFM und tiefen neuronalen Netzen“ veröffentlicht In Naturstellen Wissenschaftler HORNET vor und beschreiben detailliert seine bahnbrechenden Fähigkeiten zur Erkennung bisher verborgener großer und flexibler RNA-Strukturmerkmale.

Die Forscher sammelten Einzelmolekül-AFM-Bilder von Benchmark-RNAs in unterschiedlichen Konformationen. Anschließend wurden unbeaufsichtigtes maschinelles Lernen und tiefe neuronale Netze eingesetzt, um molekulare Topographien und Energieverteilungen zu korrelieren.

Das System wurde auf einer Pseudostrukturdatenbank trainiert, die ein breites Spektrum an RNA-Faltungen abdeckt, und an mehreren RNAs mit einer Länge von mehr als 200 Nukleotiden getestet (RNase P-RNA, ein Cobalamin-Riboschalter, ein Gruppe-II-Intron und das HIV-1-Rev-Antwortelement). RNA). Es wurden verschiedene Ausgangsmodelle verwendet, darunter vorhergesagte Strukturen und Konformere, die aus Kleinwinkel-Röntgenstreuungsdaten abgeleitet wurden.

Testfälle zeigten, dass HORNET individuelle RNA-Konformationen genau rekonstruierte, wobei die quadratischen Mittelwertabweichungen (ein Maß dafür, wie genau die berechnete Struktur mit einer Referenz übereinstimmt) häufig unter den 7 Å-Schwellenwert fielen, der häufig zur Bestätigung wichtiger Strukturmerkmale in großen RNAs verwendet wird.

Benchmark-Experimente mit simulierten und experimentellen AFM-Bildern bestätigten die Zuverlässigkeit der Kombination zuvor festgelegter Einschränkungen und AFM-Pseudopotentiale.

Validierungen zeigten, dass verschiedene Konformationen von RNase-P-RNA und HIV-1-Rev-Response-Element-RNA auf Einzelmolekülebene sichtbar gemacht werden konnten. Geschätzte Genauigkeiten aus den tiefen neuronalen Netzen, abgestimmt auf tatsächliche Entfernungen zu bekannten Strukturen.

HORNET geht eine bedeutende Herausforderung in der RNA-Strukturbiologie an, indem es eine ganzheitliche, direkte Methode zur Untersuchung bisher schwer fassbarer RNA-Strukturen bereitstellt, mit tiefgreifenden Auswirkungen auf die zukünftige Forschung in zahlreichen klinischen, pharmazeutischen und biotechnologischen Anwendungen.

© 2024 Science X Network