Les chercheurs du National Cancer Institute ont développé une méthode appelée HORNET pour caractériser les structures topologiques 3D de molécules d’ARN volumineuses et flexibles. Les scientifiques ont utilisé la microscopie à force atomique (AFM) avec des réseaux neuronaux profonds et l’apprentissage automatique non supervisé pour capturer des conformères individuels dans des conditions physiologiques.
Les ARN humains sont transcrits avec des éléments structurels cruciaux pour les fonctions biologiques. La compréhension de ces structures avec des méthodes conventionnelles, telles que la cryomicroscopie électronique, dépend d’échantillons hautement homogènes et d’une moyenne des signaux. Les ARN volumineux, flexibles et hétérogènes restent souvent difficiles à analyser car ils adoptent plusieurs conformations une fois en solution.
Il n’existe aucune grande base de données sur la structure de l’ARN qui corrèle la séquence avec la topologie 3D. Les méthodes efficaces centrées sur les protéines comme AlphaFold restent indisponibles pour l’ARN, créant ainsi une lacune critique en biologie structurale. L’absence générale d’approches d’apprentissage en profondeur spécifiques à l’ARN reflète probablement les difficultés liées à la capture de modèles structurels fiables.
Dans l’étude « Détermination des structures des conformères d’ARN à l’aide de l’AFM et des réseaux de neurones profonds », publié dans Natureles scientifiques présentent HORNET et détaillent ses capacités révolutionnaires pour détecter des caractéristiques structurelles volumineuses et flexibles de l’ARN auparavant cachées.
Les chercheurs ont collecté des images AFM d’une seule molécule d’ARN de référence dans des conformations distinctes. L’apprentissage automatique non supervisé et les réseaux neuronaux profonds ont ensuite été appliqués pour corréler les topographies moléculaires et les distributions d’énergie.
Vidéo des 20 principales conformations du conformère C0 avec une incertitude estimée de 2,7 à 3,8 Å ; moyenne = 3,3 Å. Crédit: Nature (2024). DOI : 10.1038/s41586-024-07559-x
Le système a été formé sur une base de données de pseudo-structure couvrant un large éventail de replis d’ARN et testé sur plusieurs ARN d’une longueur supérieure à 200 nucléotides (ARN RNase P, un riboswitch de cobalamine, un intron du groupe II et l’élément de réponse VIH-1 Rev). ARN). Différents modèles initiaux ont été utilisés, notamment des structures prédites et des conformères dérivés des données de diffusion des rayons X aux petits angles.
Les cas de test ont démontré que HORNET reconstruisait avec précision les conformations individuelles des ARN, avec des écarts quadratiques moyens (une mesure de l’alignement de la structure calculée avec une référence) tombant fréquemment en dessous du seuil de 7 Å largement utilisé pour confirmer les principales caractéristiques structurelles des grands ARN.
Des expériences de référence avec des images AFM simulées et expérimentales ont confirmé la fiabilité de la combinaison de contraintes précédemment établies et de pseudo-potentiels AFM.
Les validations ont montré que diverses conformations d’ARN d’éléments de réponse de la RNase P et du VIH-1 Rev pouvaient être visualisées au niveau d’une seule molécule. Précisions estimées des réseaux neuronaux profonds alignées sur les distances réelles des structures connues.
HORNET relève un défi important en biologie structurale de l’ARN en fournissant une méthode holistique et directe pour examiner les structures d’ARN auparavant insaisissables, avec de profondes implications pour les recherches futures dans de multiples applications cliniques, pharmaceutiques et biotechnologiques.
Plus d’informations :
Maximilia FS Degenhardt et al, Détermination des structures des conformères d’ARN à l’aide de l’AFM et des réseaux neuronaux profonds, Nature (2024). DOI : 10.1038/s41586-024-07559-x
© 2024 Réseau Science X