Method Article
Qui presentiamo un protocollo per posizionare modelli volumetrici semplificati in volumi 3D rumorosi e complessi e tomografici. Ciò consente la segmentazione rapida delle densità dei filamenti di actina, il rilevamento della flessione sistematica dei filamenti e delle lacune nei filamenti dei fasci di capelli, nonché una comoda quantificazione delle proprietà volumetriche del modello, come le distanze.
Metodi efficienti per l'estrazione di caratteristiche di interesse rimangono una delle maggiori sfide per l'interpretazione dei tomogrammi crioelettronici. Sono stati proposti vari approcci automatizzati, molti dei quali funzionano bene per set di dati ad alto contrasto in cui le caratteristiche di interesse possono essere facilmente rilevate e sono chiaramente separate l'una dall'altra. I nostri set di dati tomografici crioelettronici per stereociglia dell'orecchio interno sono caratterizzati da una fitta serie di filamenti di actina impacchettati esagonalmente che sono spesso collegati in modo incrociato. Queste caratteristiche rendono la segmentazione automatizzata molto impegnativa, ulteriormente aggravata dall'ambiente ad alto rumore dei tomogrammi crioelettronici e dall'elevata complessità delle caratteristiche densamente impacchettate. Utilizzando le conoscenze preliminari sull'organizzazione del fascio di actina, abbiamo posizionato strati di un modello di actina a sfera e bastone altamente semplificato per ottenere prima un adattamento globale alla mappa di densità, seguito da aggiustamenti regionali e locali del modello. Dimostriamo che la costruzione di modelli volumetrici non solo ci permette di affrontare l'elevata complessità, ma fornisce anche misurazioni e statistiche precise sul fascio di actina. I modelli volumetrici fungono anche da punti di ancoraggio per la segmentazione locale, come nel caso dei connettori incrociati actina-actina. La costruzione di modelli volumetrici, in particolare se ulteriormente potenziata da approcci di fitting automatizzato basati su computer, può essere una valida alternativa quando gli approcci convenzionali di segmentazione automatizzata non hanno successo.
La tomografia crioelettronica consente di visualizzare interi organelli o parti di cellule e tessuti a risoluzioni nanometriche nel loro stato quasi nativo 1,2,3 utilizzando il congelamento a tuffo4 o il congelamento ad alta pressione di vetrificazione ultrarapida5. Poiché solo una dose limitata di elettroni può essere tollerata dal campione crioconservato, non colorato e congelato-idratato, i dati tomografici 3D sono molto rumorosi. Questo rumore spesso può essere significativamente ridotto da una varietà di algoritmi di filtraggio del rumore 6,7, tra cui la diffusione anisotropa non lineare8, il filtraggio bilaterale9 e il filtraggio mediano ricorsivo10.
Inoltre, le limitazioni di inclinazione del tavolino del microscopio, che risultano in un cuneo mancante di informazioni, e il fatto che lo spessore del campione aumenta ad alti angoli di inclinazione, portano a ricostruzioni 3D con risoluzione anisotropa. Ciò significa che la densità è spalmata nella terza dimensione a causa della minore risoluzione nella direzione Z. Di conseguenza, la forma delle macromolecole appare distorta (cioè meno ben definita e allungata nella terza dimensione).
Tra le maggiori sfide nell'interpretazione dei dati tomografici c'è l'estrazione automatizzata delle caratteristiche rilevanti, nota anche come segmentazione11. Con sufficienti caratteristiche di forma uniche e bassa rumorosità, le macchine macromolecolari in volumi 3D complessi possono essere identificate mediante la corrispondenza di modelli 12,13,14; Tuttavia, il successo della corrispondenza dei modelli dipende dalla risoluzione del tomogramma, da un modello di ricerca adatto e dalle caratteristiche di dimensioni e forma dei volumi delle funzioni. Se le caratteristiche di interesse sono sufficientemente distanziate tra loro e i motivi ripetuti (come grandi macchine macromolecolari) possono essere facilmente identificati, i sottovolumi del tomogramma possono essere combinati per aumentare il rapporto segnale/rumore e per mediare le distorsioni della forma delle singole particelle. È stata riportata la segmentazione automatizzata di una rete di filamenti di actina in tomogrammi elettronici del bordo sottile di cellule di Dictyostelium discoideum congelate-idratate mediante corrispondenza del modello15.
Tuttavia, se le caratteristiche di interesse sono ravvicinate, l'anisotropia della risoluzione dei dati può portare a una sbavatura delle densità della mappa nella direzione Z (lungo la direzione del fascio di elettroni), con conseguente apparente fusione dell'inviluppo di densità di macchine macromolecolari ravvicinate o complessi supramolecolari. In questi casi, gli approcci automatizzati per la segmentazione, come il bacino idrografico16, la segmentazione dei confini17 o una varietà di approcci di classificazione basati sull'apprendimento automatico18,19, potrebbero non essere in grado di riconoscere le caratteristiche di interesse o stabilire un confine corretto attorno a un oggetto di interesse. Spesso, ci si ritrova con pochi pezzi molto grandi o con un volume fortemente sovrasegmentato, dove è necessario molto sforzo per unire molti pezzi piccoli fino a quando la caratteristica di interesse non viene percepita come completa. Tale cura manuale dei risultati della segmentazione può essere molto laboriosa e può anche fallire del tutto quando la struttura di interesse è una matrice di filamenti ravvicinati che sono interconnessi tramite brevi linker. In questa gigantesca rete di strutture filamentose, può essere difficile orientarsi. Questo perché, a causa dell'anisotropia della risoluzione, le densità sembrano fondersi l'una con l'altra, presentando una sfida formidabile sia per gli approcci di segmentazione manuale automatizzati che per quelli interattivi. Di conseguenza, si può facilmente "saltare" tra i filamenti quando si ispezionano visivamente solo piccole regioni.
Fortunatamente, nel caso del fascio di actina nelle stereociglia delle cellule ciliate dell'orecchio interno, abbiamo conoscenze sull'organizzazione complessiva del fascio di actina e sulla direzionalità dei filamenti di actina20,21. Il fascio di actina è costituito da centinaia di filamenti di actina esagonali e densamente impacchettati di 6-8 nm di diametro, che sono distanziati di circa 12-13 nm l'uno dall'altro22.
Questo ci ha permesso di adottare un approccio piuttosto diverso alla segmentazione, basato su modelli semplificati a sfera e bastone per rappresentare i filamenti di actina. La strategia prevedeva l'inserimento simultaneo di una serie regolare idealizzata di modelli di filamenti in lastre delle mappe di densità della tomografia crioelettronica per costruire un modello 3D del fascio di actina strato per strato. Ci siamo assicurati che il modello si adattasse complessivamente alla mappa di densità prima di apportare modifiche locali a singoli modelli di filamenti o gruppi di modelli di filamenti in modo che corrispondessero il più possibile alla mappa di densità. Mediante la codifica automatica a colori del valore di densità della mappa nella posizione del modello di filamento, siamo stati in grado di rilevare facilmente le lacune apparenti nel fascio di actina. I modelli volumetrici consentono un'analisi quantitativa delle proprietà volumetriche, come le distanze tra i filamenti di actina, e portano anche a una visualizzazione semplificata dell'organizzazione complessiva della rete filamentosa 3D.
Inoltre, i modelli possono anche fungere da strutture di ancoraggio per la segmentazione di caratteristiche aggiuntive, come i linker actina-actina, in quanto è possibile selezionare (porzioni di) singoli modelli di filamenti, attorno ai quali è possibile generare zone di densità della mappa del raggio appropriate per l'ispezione e un'ulteriore segmentazione.
Riteniamo che il nostro approccio di segmentazione basato su modelli volumetrici sia particolarmente utile per reti di grandi strutture filamentose che possono contenere lacune e connessioni incrociate tra filamenti. Gli algoritmi di segmentazione tendono a operare localmente, mentre il cervello umano prende in considerazione aree più grandi e quindi è superiore ai computer quando si tratta di riconoscere le strutture dei filamenti, anche in un ambiente complesso e ad alto rumore.
Il protocollo segue le linee guida del comitato etico per la ricerca umana della Southeast University.
1. Fonte di dati di tomografia crioelettronica per la costruzione di modelli volumetrici
NOTA: Le ricostruzioni tomografiche crioelettroniche delle stereociglia utilizzate per la costruzione di un modello volumetrico sono state precedentemente pubblicate22,23, e sono state ottenute come descritto da Metlagel et al.22.
Gli script Python UCSF Chimera per la modellazione delle stereociglia sono forniti in File supplementare 1, File di codifica supplementare 1, File di codifica supplementare 2, File di codifica supplementare 3, File di codifica supplementare 4 e File di codifica supplementare 5.
2. Preparazione dei dati di tomografia crioelettronica per la costruzione di modelli volumetrici
3. Modellismo volumetrico
4. Analisi quantitativa del modello 3D
Utilizzando la tomografia crioelettronica di singole stereociglia non colorate, congelate-idratate incorporate nel ghiaccio vitreo, abbiamo ottenuto mappe di densità del fascio di actina con i suoi filamenti di actina disposti esagonalmente, legati da proteine cross-connector23. La dimensione di un singolo voxel era di 0,947 nm. L'ispezione visiva nel programma di affettatura IMOD di un rendering volumetrico dell'intero tomogramma (400 sezioni/379 nm) ha indicato la presenza di strutture filamentose allineate con l'asse longitudinale delle stereociglia, come si può vedere nelle viste longitudinali (piano XY; Figura 1A-C, pannelli superiori) e nelle viste in sezione trasversale (piano XZ; Figura 1A-C, pannelli inferiori). Abbiamo notato che la vista di proiezione attraverso la rete di filamenti a 400 fette/379 nm diventava più chiara ruotando il volume ricostruito originale di -6° attorno all'asse X, -13,5° attorno all'asse Y e 5° attorno all'asse Z. A questo angolo, tutti i filamenti sono allineati uno sopra l'altro, e quindi il contrasto è massimo, come si può apprezzare dalle viste in sezione trasversale (Figura 1B). Poiché le singole sezioni trasversali non hanno un segnale sufficiente per distinguere in modo univoco i filamenti di actina, abbiamo scelto di eseguire il rendering volumetrico di una lastra di 30 fette/28,4 nm, che mostra chiaramente un modello esagonale nella vista della sezione trasversale. Le linee blu nella Figura 1C (pannelli superiori) indicano la posizione del centro delle corrispondenti lastre in sezione trasversale da 30 fette/28,4 nm nei pannelli inferiori.
Piccole deviazioni da questo angolo di visione ottimale, di appena ±2°, hanno ridotto significativamente l'ordine percepito della rete di filamenti di actina (Figura 1A, C), il che è un'indicazione di quanto sia facile perdersi nel volume 3D del tomogramma.
Per illustrare la sfida dell'utilizzo di approcci di segmentazione automatizzata, come la segmentazione dei bacini idrografici, abbiamo scelto un piccolo sottovolume (raffigurato come oro) per la segmentazione dei bacini idrografici, come implementato nel pacchetto software UCSF Chimera (Tools > Volume Data > Segger > Segment). La posizione del sottovolume rispetto all'intera mappa delle stereociglia è indicata dal piccolo riquadro nella Figura 1B.
La Figura 1D-F mostra il sottovolume scelto in diversi orientamenti, con la Figura 1D, E che mostra la direzione di visione longitudinale e la Figura 1F che mostra una direzione di visione in sezione trasversale. Le frecce sul lato sinistro della Figura 1D-F indicano la direzione dei filamenti di actina.
Le figure 1D-F (pannelli a destra) mostrano i risultati della segmentazione dei bacini idrografici. Il sottovolume viene codificato a colori in base all'identità dell'oggetto, con i colori assegnati in modo casuale ai diversi oggetti. Colori diversi indicano una diversa identità dell'oggetto, quindi diventa evidente dalla Figura 1D-F che le densità della mappa per i filamenti erano entrambe frammentate lungo l'asse del filamento, mentre lo stesso colore e quindi l'identità dell'oggetto erano dati alle densità della mappa che collegavano i filamenti vicini. In altre parole, l'algoritmo di segmentazione del bacino idrografico non era in grado di seguire la mappa di densità dei filamenti di actina per un periodo prolungato, e portava invece a collegare densità dai filamenti vicini. Sebbene sia possibile curare manualmente la selezione (ad esempio, eliminando o unendo gli oggetti), questo approccio è piuttosto laborioso e quindi dispendioso in termini di tempo.
Sebbene non sia assolutamente necessario per il funzionamento della nostra strategia di costruzione del modello volumetrico, è stato utile riorientare (ruotare) la mappa 3D in modo che l'asse della rete del filamento di actina fosse allineato con l'asse Y e i piani del modello del filamento di actina allineati con il piano X-Y del tomogramma. Ci riferiamo a questo orientamento come orientamento standard per la visualizzazione tomografica delle stereociglia.
Abbiamo quindi deciso di esplorare una strategia diversa per la segmentazione dell'immagine, sfruttando il fatto che i filamenti di actina mostravano un'organizzazione complessivamente regolare (impacchettamento esagonale), con spaziatura regolare e orientamento complessivo del fascio definito. La nostra strategia è stata quella di trovare un adattamento complessivo dei modelli di un fascio di actina, come una matrice di filamenti, seguito da aggiustamenti regionali e poi locali della posizione del modello per adattarsi alla mappa di densità sperimentale. Mettendo al primo posto un modello complessivo, possiamo superare le ambiguità della mappa locale e rilevare le tendenze regionali delle deviazioni del modello dalla sua organizzazione originale, come la flessione del filamento.
Per posizionare il modello, abbiamo visualizzato lastre della densità (10 fette/9,47 nm) nell'orientamento standard che corrispondeva a uno spessore di un singolo strato di filamenti di actina, a cui è stato montato uno strato di modelli di filamenti di actina diritti e regolarmente distanziati. Questa è ovviamente una semplificazione eccessiva dei filamenti di actina, ognuno dei quali è costituito da una matrice lineare di monomeri di actina con simmetria elicoidale. Le figure 2A-C mostrano tre strati rappresentativi a diverse altezze Z, con i bastoncelli di colore rosso che rappresentano i filamenti di actina. I pannelli superiori, raffiguranti ~30 fette/sezioni trasversali spesse 28,4 nm, mostrano a quale altezza Z è stato posizionato un singolo strato di modello di actina di 19 aste, mentre i pannelli inferiori mostrano un orientamento longitudinale (anche se mostrato in vista prospettica). La Figura 2D mostra il modello semplificato completo, sia nella vista prospettica in sezione trasversale (pannello superiore) che in quella longitudinale (pannello inferiore). L'orientamento della sezione trasversale ci ha permesso di posizionare i filamenti con buona sicurezza. In questo caso, la nostra mossa originale di riorientare l'intero volume in modo che coincida con gli assi maggiori dei tomogrammi si è rivelata utile, in quanto significava che anche l'orientamento del nostro modello nella nostra direzione di visualizzazione standard era parallelo agli assi principali. Tuttavia, a rigor di termini, il nostro approccio avrebbe funzionato anche senza il riorientamento del tomogramma, solo il posizionamento del modello alla densità sarebbe stato più impegnativo.
Dopo un'attenta ispezione delle singole lastre della mappa di densità, abbiamo notato che un modello di actina perfettamente dritto non si adattava alla mappa di densità osservata spostandosi dall'estremità prossimale all'estremità distale (cioè verso la punta) delle stereociglia (Figura 3A-C). Vicino alla punta delle stereociglia, la densità della mappa per i filamenti è stata spostata di oltre 13 nm (spaziatura actina-actina), che abbiamo potuto compensare regolando il modello mentre ci spostavamo dalla porzione prossimale a quella distale della mappa di densità delle stereociglia, introducendo così una curvatura graduale piccola ma distinguibile nel nostro modello di actina. La Figura 3D mostra una singola lastra della densità della mappa del filamento di actina, con un modello volumetrico adattato alla mappa di densità. Un confronto tra il modello dritto (rosso) e quello curvo (giallo) è mostrato nella Figura 3E. Questa curvatura si apprezza al meglio inclinando una lastra della mappa di densità con il modello posizionato di 80° attorno all'asse X, il che consente di avere una vista prospettica lungo la direzione dei filamenti di actina (Figura 3D, E).
La deviazione dei due modelli, con la posizione del modello di actina vicino alla punta spostata di circa la stessa distanza della spaziatura dei filamenti di actina, avrebbe potuto causare molta confusione se non avessimo proceduto nel modo in cui abbiamo proceduto. Questo posizionamento "globale" di uno strato del modello del filamento di actina, seguito da una regolazione "regionale", ci ha permesso di rilevare questa curvatura, che è appena percettibile nella vista longitudinale o in sezione trasversale. Tuttavia, la sovrapposizione dei due modelli, come mostrato nella Figura 3E, rivela la sottile differenza.
La ripetizione di questo approccio per più strati consente di ottenere un modello 3D completo (Figura 3F), limitato solo dall'incertezza dei dati nella parte superiore e inferiore delle stereociglia, quando viene visualizzato nell'orientamento della sezione trasversale (Figura 3G). Questa mancanza di densità è causata dalla mancanza di un cuneo nella raccolta dei dati tomografici (ad asse singolo) e dalla corrispondente anisotropia della risoluzione dei dati, e il suo effetto è indicato dall'assenza di una densità di mappa ben definita per le membrane delle stereociglia.
Una volta ottenuto un modello 3D, abbiamo codificato a colori ogni posizione del modello volumetrico in base al valore di densità della mappa in quella posizione. Le regioni del modello con una debole densità della mappa sottostante erano colorate di rosso, mentre le regioni del modello con un forte segnale di densità della mappa erano colorate di giallo (Figura 4A). Interpretiamo tali regioni di colore rosso, che possono estendersi fino a decine di nanometri, come lacune nelle strutture dei filamenti di actina che, a causa della loro estensione, non possono essere attribuite a variazioni di densità frequentemente incontrate nell'ambiente ad alto rumore di una mappa crio-EM. Il rumore tende a influenzare singoli voxel o piccoli gruppi di voxel, ma è improbabile che sia la fonte di volumi costituiti da centinaia di voxel, per i quali manca la densità del filamento. Invece, è probabile che tali lacune siano una caratteristica reale della rete di actina delle stereociglia e possano costituire siti di ricambio dell'actina. La Figura 4A ha due diversi valori di densità della mappa, mostrati in blu chiaro e blu scuro. Va notato esplicitamente che il nostro approccio alla costruzione di modelli volumetrici, combinato con una codifica a colori automatizzata del nostro modello in regioni di debole densità, è un modo rapido e conveniente per rilevare e visualizzare la distribuzione di tali lacune nel modello di filamento di actina, che altrimenti sarebbe stato molto difficile.
Come mostrato nella Figura 4B, porzioni del modello volumetrico in luoghi con una densità relativamente debole possono essere facilmente nascoste in base ai risultati ottenuti nella Figura 4A. Ciò si traduce in un modello più frammentato che può rappresentare in modo più realistico il modello di actina nelle stereociglia. L'alternativa di costruire piccoli tratti di filamenti di actina sarebbe stata molto laboriosa e potrebbe essere fallita del tutto, a causa dei problemi discussi durante la descrizione della Figura 1.
Inoltre, il modello volumetrico ci consente di modellare facilmente i connettori trasversali semplicemente posizionando una connessione (mostrata in rosso) tra le posizioni dei punti del modello del modello di filamento di actina su entrambi i lati della connessione trasversale (Figura 4C). Nel nostro approccio semplificato, non abbiamo bisogno di fare alcuna ipotesi sull'esatta identità di ciascuna proteina di cross-linking, il che richiederebbe una risoluzione più elevata e/o approcci di marcatura sofisticati. Invece, tutto ciò di cui abbiamo bisogno per determinare è se esiste una densità che collega i filamenti di actina adiacenti; Se c'è, possiamo posizionare una breve connessione da un filamento alla sua controparte adiacente. Nella Figura 4D, è mostrato un modello di cinque filamenti di actina con i loro connettori incrociati, che dà un'impressione della distribuzione dei connettori incrociati lungo l'asse del filamento di actina.
Un altro vantaggio della costruzione di un modello volumetrico del fascio di actina è che si può determinare rapidamente la spaziatura tra i filamenti di actina adiacenti (Figura 4E-H). La Figura 4E,F mostra una vista in sezione trasversale della mappa di densità senza e con un modello adattato al reticolo esagonale della densità della mappa, rispettivamente. La Figura 4G mostra il modello con le connessioni tra le sfere vicine più vicine. UCSF Chimera consente il calcolo automatico della distanza dei centri vicini più vicini, il cui risultato può quindi essere tracciato come una distribuzione della distanza (Figura 4H). La creazione di modelli per due set di dati aggiuntivi è illustrata nella Figura 1 e nella Figura 2 supplementare.
Figura 1: Le sfide incontrate dalla segmentazione dei bacini idrografici dei tomogrammi delle stereociglia delle cellule ciliate. (A-C) Proiezioni longitudinali (400 sezioni/379 nm) attraverso la mappa 3D tomografica nel piano XY (pannelli superiori) e viste in sezione trasversale (30 sezioni/28,4 nm) nel piano XZ (pannelli inferiori). (A) Mappa tomografica ruotata di -2° lungo l'asse Y rispetto al suo orientamento ottimale. (B) Mappa tomografica nell'orientamento ottimale, determinata dalla regolazione degli angoli di rotazione degli assi X, Y e Z (X = -6°, Y = -13,5° e Z= 5°) e rivelando un alto grado di ordine nella mappa di densità, suggerendo una rete di filamenti di actina altamente ordinata. (C) Mappa tomografica ruotata di +2° lungo l'asse Y rispetto al suo orientamento ottimale; la rotazione di soli 2° attorno all'asse Y rispetto alla direzione di visione ottimale compromette gravemente la regolarità percepita della mappa di densità. I pannelli inferiori rivelano la regolarità dell'array di filamenti di actina se visti nella direzione della sezione trasversale. La linea blu in A-C indica la posizione della soletta della sezione trasversale. (D-F) Un cubo di 50 nm x 50 nm x 50 nm visto da tre diverse direzioni prima (pannelli a sinistra) e dopo (pannelli a destra) la segmentazione del bacino idrografico. Si noti che la segmentazione dei bacini idrografici non riesce a rilevare la densità continua dei filamenti di actina, mentre i filamenti di actina adiacenti e la loro connessione incrociata condividono la stessa identità dell'oggetto, suggerendo che la segmentazione dei bacini idrografici non è un approccio adatto per la segmentazione del tomogramma. Nei pannelli D-F, la mappa di densità in Chimera è mostrata come stile di mappa "Superficie". (A-C) Barre di scala = 100 nm. (D-F) Barre di scala = 50 nm. Clicca qui per visualizzare una versione più grande di questa figura.
Figura 2: Costruzione di un modello volumetrico di filamento di actina ball-and-stick. (A-C) In alto: viste in sezione trasversale a 30 fette/28,4 nm della mappa di densità con un modello di filamento di actina semplificato a strato singolo posizionato a un'altezza Z diversa. In basso: una singola lastra da 10 slice/9,47 nm della mappa di densità con un modello di filamento di actina semplificato a strato singolo. (D) Modello completo di filamento di actina diritto in una vista in sezione trasversale a 30 fette/28,4 nm (in alto) e in prospettiva (in basso); Barre di scala = 100 nm. Clicca qui per visualizzare una versione più grande di questa figura.
Figura 3: Regolazione del modello per correggere la flessione rilevata della densità del filamento di actina. (A-C) Un'attenta ispezione visiva del modello, sia in vista in sezione trasversale (pannelli superiori) che in vista longitudinale (pannelli in basso), ha rivelato un buon adattamento del modello con la mappa di densità all'estremità prossimale delle stereociglia. Tuttavia, man mano che ci si sposta verso l'estremità distale delle stereociglia, l'adattamento diventa sempre peggiore per tutti i modelli di filamenti di actina. Questo può essere corretto spostando le sfere del modello a sfera e bastone nella corretta posizione della mappa di densità, il che si traduce in un modello di filamento di actina leggermente curvo. Il modello diritto viene visualizzato in rosso, mentre il modello piegato corretto viene visualizzato in giallo. (D) Singola lastra della mappa di densità con il modello curvo montato su di essa, che rivela la curvatura della densità di actina verso la punta delle stereociglia. Il modello di actina è stato ruotato di 80° attorno all'asse X per mostrare meglio questa sottile ma significativa flessione dei filamenti di actina. (E) Confronto tra il modello di actina dritto e non corretto mostrato in rosso e il modello di actina curvo e corretto mostrato in giallo. Per motivi di chiarezza, viene mostrato solo uno strato del modello del filamento di actina. (F-G) Modello di fascio di actina con filamenti di actina curvi e corretti mostrati con orientamento longitudinale (F) e in sezione trasversale (G). La membrana segmentata è mostrata in blu. Nel pannello D, la mappa di densità in Chimera viene mostrata come stile di mappa "Mesh". Barre di scala = 100 nm. Clicca qui per visualizzare una versione più grande di questa figura.
Figura 4: Rilevamento di lacune nel fascio di actina utilizzando la costruzione di modelli volumetrici. Quantificazione delle proprietà volumetriche mediante modelli a sfera e bastone. (A-C) Una piccola regione di una lastra longitudinale spessa ~10 fette/9,47 nm della mappa di densità delle stereociglia è mostrata in blu, insieme al modello curvo e corretto del filamento di actina. (A) La mappa di densità viene visualizzata a una soglia di densità inferiore (azzurro) e a una soglia di densità superiore (blu scuro). Ci sono regioni del modello di filamento di actina per le quali non esiste una densità corrispondente. In tali posizioni, il modello è stato codificato a colori in rosso per rappresentare una mancanza di densità. Interpretiamo queste posizioni come lacune nei filamenti di actina. (B) Modello dei filamenti di actina che appaiono frammentati, riflettendo la mancanza di densità dei filamenti di actina in tali punti di interruzione. (C) Modello dei filamenti di actina con legami di interconnessione incrociata (mostrati in rosso) aggiunti in punti in cui è stata trovata una forte densità per collegare i filamenti di actina adiacenti. (D) Tre filamenti di actina selezionati sono mostrati con connettori incrociati ai filamenti di actina adiacenti (che non sono mostrati per chiarezza). Si noti che molte, ma non tutte, le possibili posizioni dei filamenti inter-actina sono occupate da proteine connettore; (E) Una sezione trasversale di 30 slice/28,4 nm della densità delle stereociglia. (F) Modello di filamenti di actina montati sulla lastra di densità delle stereociglia a sezione trasversale da 30 slice/28,4 nm. (G) Modello di filamenti di actina senza la densità della mappa sottostante. Rilevamento automatico delle distanze dei filamenti di actina più vicini, come indicato da sottili connessioni tra le sfere del modello di filamento di actina. (H) Istogramma delle distanze del modello di filamento di actina. Nei pannelli A-C, la mappa di densità in Chimera viene mostrata come stile mappa "Mesh". (A-C) Barre di scala = 50 nm. (D) Barra della scala = 25 nm. (E-G) Barre di scala = 100 nm. Clicca qui per visualizzare una versione più grande di questa figura.
Figura 1 supplementare: Costruzione di modelli per il primo di due set di dati aggiuntivi di stereociglia. (A-C) Una piccola regione di una lastra longitudinale spessa ~10 fette/9,47 nm della mappa di densità delle stereociglia viene mostrata in blu utilizzando la visualizzazione in modalità mesh. Il modello posizionato inizialmente viene visualizzato in rosso e il modello corretto viene visualizzato in giallo. (A) Solo densità della mappa. (B) Modello iniziale inserito nella mappa di densità. (C) Modello corretto inserito nella mappa di densità. (D-E) Regione delle stereociglia più grande senza (D) e con (E) il modello corretto si adatta a una lastra longitudinale spessa ~10 fette/9,47 nm della mappa di densità delle stereociglia. (F-G) Viene mostrata l'intera regione del tomogramma delle stereociglia. (F) Solo mappa. (G) Mappa con il modello corretto. (H) Sovrapposizione dei modelli iniziali e corretti. Barre di scala = 100 nm Clicca qui per scaricare questo file.
Figura 2 supplementare: Costruzione di modelli per il secondo di due set di dati aggiuntivi di stereociglia. (A-C) Una piccola regione di una lastra longitudinale spessa ~10 fette/9,47 nm della mappa di densità delle stereociglia viene mostrata in blu utilizzando la visualizzazione in modalità mesh. Il modello inizialmente posizionato viene visualizzato in rosso e il modello corretto viene visualizzato in giallo; (A) Solo densità della mappa. (B) Modello iniziale inserito nella mappa di densità. (C) Modello corretto inserito nella mappa di densità. (D-E) Regione delle stereociglia più grande senza (D) e con (E) il modello corretto si adatta a una lastra longitudinale spessa ~10 fette/9,47 nm della mappa di densità delle stereociglia. (F-G) Viene mostrata l'intera regione del tomogramma delle stereociglia. (F) Solo mappa. (G) Mappa con il modello corretto. (H) Sovrapposizione del modello iniziale e corretto. Barre di scala = 100 nm. Clicca qui per scaricare questo file.
File supplementare 1: Script Python UCSF Chimera per la modellazione delle stereociglia. Clicca qui per scaricare questo file.
File di codifica supplementare 1: pblengths.py. Clicca qui per scaricare questo file.
File di codifica supplementare 2: RemoveCross.py. Clicca qui per scaricare questo file.
File di codifica supplementare 3: ActinFilamentPlane.py. Clicca qui per scaricare questo file.
File di codifica supplementare 4: dividelinks.py. Clicca qui per scaricare questo file.
File di codifica supplementare 5: FixingMarkerID.py. Clicca qui per scaricare questo file.
Abbiamo dimostrato che gli approcci automatizzati per la segmentazione, come la segmentazione dei bacini idrografici, possono fallire nell'ambiente ad alto rumore e ad alta complessità dei tomogrammi crioelettronici delle stereociglia delle cellule ciliate. Distinguere quale parte di questa rete filamentosa rappresenti i filamenti di actina e cosa costituisca i legami incrociati a livello di ambiente locale sembra difficile nella migliore delle ipotesi quando si ispezionano piccoli sottovolumi tomografici. L'approccio di costruzione del modello utilizzato in questo studio beneficia della conoscenza preliminare dell'ordine su larga scala del fascio di actina, che aiuta a sviluppare un'aspettativa sull'orientamento dei filamenti di actina e sulle densità dei reticolanti. Forse ancora più significativo è che un cervello umano può facilmente trovare modelli considerando il contesto più ampio oltre la distribuzione locale della densità, mentre un algoritmo informatico funziona solo per una regione relativamente piccola che viene considerata dall'algoritmo; Pertanto, le tendenze su larga scala non possono essere facilmente prese in considerazione. Adattando un modello globalmente a uno strato di densità, abbiamo evitato la confusione che può verificarsi quando si tenta di creare un modello per piccole porzioni di singoli filamenti di actina alla volta. Naturalmente, tale adattamento globale presuppone un ordine che si estende su grandi distanze. Tuttavia, poiché abbiamo avuto una piccola ma significativa curvatura graduale inaspettata dei filamenti di actina, l'adattamento globale è stato solo un'approssimazione iniziale e ha richiesto aggiustamenti locali del modello per adattarsi alla mappa di densità. Poiché il modello iniziale era un buon punto di partenza, le regolazioni potevano essere effettuate con grande sicurezza. Un grande vantaggio del nostro approccio è stato che abbiamo potuto scegliere di visualizzare solo una zona di densità definita, il che ha contribuito a ridurre la complessità dello scenario. Inoltre, la visualizzazione della lastra di densità della mappa lungo l'asse del modello del filamento ha aiutato a identificare la curvatura inaspettata, che molto probabilmente ci sarebbe sfuggita visualizzando semplicemente sottovolumi più piccoli. Il posizionamento del modello iniziale ha anche facilitato l'ingrandimento e la riduzione rapidi, per alternare tra una visione d'insieme del rispettivo strato di filamenti di actina e le viste dettagliate per apportare modifiche al modello.
Le fasi critiche all'interno del protocollo includevano la rotazione della mappa dopo l'ispezione visiva, la creazione e il posizionamento del modello nella mappa di densità, nonché la divisione del modello a filamento in segmenti più piccoli. La posizione dell'atomo dei segmenti potrebbe quindi essere regolata spazialmente per adattarsi alla mappa di densità e/o codificata a colori per rilevare le lacune.
Questo approccio alla costruzione di modelli di actina può anche essere modificato posizionando un insieme di "atomi" (cioè le sfere del modello a palla e bastone) nelle densità dei filamenti utilizzando una vista in sezione trasversale di una fetta di 10-30 / 9,47-28,4 nm media di densità, che può poi essere collegata da legami (cioè i bastoncini del modello a palla e bastone). Abbiamo utilizzato questo approccio, che è una modifica rispetto al protocollo qui descritto in dettaglio, per la costruzione di modelli volumetrici nella regione conica delle stereociglia23 delle cellule ciliate. Inoltre, come abbiamo descritto qui, il nostro approccio alla costruzione di modelli volumetrici è adatto anche per la segmentazione e la costruzione di modelli di membrane.
Mentre la costruzione di modelli volumetrici può essere applicata a qualsiasi mappa di densità che mostri caratteristiche filamentose, la tecnica che abbiamo descritto qui è più efficiente quando abbiamo una serie di filamenti regolarmente distanziati, per i quali è possibile ottenere un adattamento globale di un modello volumetrico. Dipende anche dalle caratteristiche filamentose alterare la loro direzionalità in modo graduale. Se ci sono pieghe improvvise e curve brusche nelle strutture filamentose, il nostro approccio potrebbe non essere particolarmente utile per la segmentazione.
Nel frattempo, i nostri collaboratori hanno sviluppato un approccio automatizzato per il tracciamento automatizzato dei filamenti che segue un concetto simile utilizzato qui per la segmentazione manuale30,31. Andando avanti, l'approccio migliore potrebbe essere un ibrido di identificazione manuale e posizionamento di un modello sparso iniziale (anche solo poche sfere) nella densità come punto di partenza, e quindi lasciare che un algoritmo di ricerca e adattamento finisca il tracciamento dei filamenti.
I modelli volumetrici semplificati riducono la complessità di un sistema e consentono di apprezzare meglio alcuni modelli, come la flessione del filamento di actina vicino alla punta. Inoltre, il modello volumetrico può essere utilizzato come "ancoraggio" per visualizzare una zona di densità attorno al modello di ancoraggio a sfera e bastone scelto, che consente il rilevamento e la visualizzazione delle densità di reticolanti tra filamenti di actina adiacenti. La capacità di selezionare i singoli filamenti e di impostare i raggi appropriati come zona in cui la densità viene nuovamente visualizzata consente di ridurre la travolgente complessità dello scenario a un livello gestibile.
Un vantaggio di questo approccio di costruzione del modello volumetrico di adattamento globale, seguito da aggiustamenti locali, è stato che siamo stati in grado di identificare le regioni in cui i filamenti di actina sembravano essere interrotti e lacune significative nei filamenti di actina erano indicate dall'assenza di densità della mappa. Poiché avevamo posizionato un modello volumetrico a sfera e bastone, abbiamo potuto utilizzare una routine nel pacchetto software UCSF Chimera che codifica a colori la posizione della sfera di ogni modello in base al valore di densità della mappa in quella posizione. Questo approccio ha permesso una rapida rilevazione e visualizzazione delle lacune del filamento di actina nel fascio di actina, che è una caratteristica biologicamente significativa che abbiamo trovato nel nostro tomogramma crioelettronico e che sarebbe stata molto difficile da rilevare e visualizzare con gli approcci di segmentazione tradizionali. Un altro vantaggio del nostro modello volumetrico è che le proprietà volumetriche, comprese le lunghezze e le distanze, possono essere facilmente ottenute, il che consente di ottenere numeri effettivi e quindi di eseguire un'analisi statistica.
In sintesi, il posizionamento manuale interattivo dei punti del modello, possibilmente ulteriormente potenziato da successive capacità automatizzate di adattamento locale e tracciamento dei filamenti, è un approccio piuttosto promettente per la visualizzazione e l'analisi quantitativa dei volumi subcellulari tomografici degli elettroni. Questo perché utilizza la potenza del cervello umano per il riconoscimento dei modelli e la potenza dell'informatica per l'ottimizzazione dei modelli.
Gli autori dichiarano di non avere interessi finanziari concorrenti o altri conflitti di interesse.
Ringraziamo il Dr. Peter Barr-Gillespie e il suo team per il loro ruolo nella preparazione dei campioni e gli ex membri del laboratorio Auer e del laboratorio Dr. Dorit Hanein per il loro ruolo nella raccolta dei dati tomografici. Vorremmo anche ringraziare Tom Goddard di UCSF Resource for Biocomputing, Visualization, and Informatics (RBVI) per aver fornito vari script UCSF Chimera.
Name | Company | Catalog Number | Comments |
Chimera | RBVI | Version 1.16 https://www.cgl.ucsf.edu/chimera/download.html | |
Chimera | RBVI | Version 1.16 https://www.cgl.ucsf.edu/chimera/cgi-bin/secure/chimera-get.py?file=win64/chimera-1.16-win64.exe | |
Chimera | RBVI | Version 1.16 https://www.cgl.ucsf.edu/chimera/cgi-bin/secure/chimera-get.py?file=mac64/chimera-1.16-mac64.dmg | |
Chimera | RBVI | Version 1.16 https://www.cgl.ucsf.edu/chimera/cgi-bin/secure/chimera-get.py?file=linux_x86_64/chimera-1.16-linux_x86_64.bin | |
Excel | Microsoft | Version 2211 https://www.office.com/?auth=1 | |
Falcon II | Thermofisher | https://www.thermofisher.com/de/de/home/electron-microscopy/products/accessories-em/falcon-detector.html | |
IMOD | University of Colorado | Version 4.11.1 https://bio3d.colorado.edu/imod/download.html | |
PC Desktop | Intel | Windows 10, ver. 22H2 | |
PC Laptop | Gigabyte | Windows 10, ver. 22H2 | |
Powerpoint | Microsoft | Version 2211 https://www.office.com/?auth=1 | |
Titan Krios Electron Microscope | Thermofisher | https://www.thermofisher.com/de/de/home/electron-microscopy/products/transmission-electron-microscopes/krios-g4-cryo-tem.html | |
Word | Microsoft | Version 2211 https://www.office.com/?auth=1 |
Richiedi autorizzazione per utilizzare il testo o le figure di questo articolo JoVE
Richiedi AutorizzazioneThis article has been published
Video Coming Soon