Hesaplamalı araştırma makalesi incelemesi

UCSF ChimeraX: Yapı İnşası ve Analiz Araçları ile Kriyojenik Elektron Mikroskopisi Modelleme Süreçlerinin Çözümlenmesi

Biyomoleküler yapı biyolojisinde ve kriyojenik elektron mikroskopisinde (cryo-EM), yüksek çözünürlüklü haritalardan üç boyutlu atomik modellerin inşa edilmesi ve doğrulanması temel bir araştırma alanını oluşturmaktadır.

Makalenin anahtar kelimeleri

Yazar: Meng EC et al.
Yayın
Tarih: 2023-11-01
DOI: 10.1002/pro.4792

Makalenin Kapsamı ve Akademik İçeriği

Biyomoleküler yapı biyolojisinde ve kriyojenik elektron mikroskopisinde (cryo-EM), atomik düzeydeki üç boyutlu yapıların çözümlenmesi karmaşık ve çok aşamalı hesaplamalı süreçler gerektirmektedir. Son yıllarda cryo-EM ve kriyo-elektron tomografisi (cryo-ET) teknolojilerindeki hızlı gelişmeler, atomik çözünürlüğe yakın haritaların elde edilmesini sağlarken, elde edilen devasa hacimsel verilerin işlenmesi ve doğrulanması için gelişmiş moleküler grafik yazılımlarına olan ihtiyacı artırmıştır. Ancak geleneksel modelleme yaklaşımlarında, farklı hesaplama araçları arasında sürekli veri formatı dönüştürme ve dosya aktarımı yapılması araştırma akışını yavaşlatmakta ve veri kaybı risklerini beraberinde getirmektedir. Bu çalışma, söz konusu entegrasyon ve verimlilik sorununu aşmak üzere UCSF ChimeraX platformunun sunduğu güncel yazılım araçlarını ve topluluk tarafından geliştirilen eklenti mimarisini incelemektedir.

Çalışmanın amacı, UCSF ChimeraX paketine eklenen yapay zeka tabanlı protein yapı tahmini entegrasyonlarını, olasılık tabanlı harita oturtma araçlarını, atom bazlı skorlama tekniklerini ve genel moleküler yapı inşa imkânlarını tanıtmaktır. Yazarlar metotta, ChimeraX'in temel kod mimarisi ile entegre çalışan AlphaFold, ESMFold, Modeller, PhenixUI, ISOLDE, StarMap, QScore ve StrudelScore gibi araçların işleyişini insülin reseptörü ve topoisomeraz-DNA kompleksleri gibi somut biyomoleküler örnekler üzerinden gösterilmektedir. Platformun Google Colab sunucuları ve uzak veritabanları ile kurduğu web servis bağlantıları, kütle spektrometrisi çapraz bağlama verileri ve tomografi parçacık listesi görselleştirme modülleriyle desteklenerek bütüncül bir hesaplama ortamı sunulmaktadır.

İnceleme sonuçları, ChimeraX ortamının AlphaFold tarafından üretilen pLDDT ve PAE hata metriklerini iki boyutlu ısı haritaları ve grafiksel alan kümelemeleri halinde görselleştirerek model kalitesini hassas biçimde değerlendirebildiğini göstermektedir. Ayrıca, Local EM Fitting ve Fit in Map araçları sayesinde bireysel yapay zeka alanlarının cryo-EM yoğunluk haritalarına 1 Angstrom altı RMSD sapmalarıyla yüksek doğrulukta oturtulabildiği kanıtlanmaktadır. QScore ve StrudelScore eklentileri kalıntı bazında harita-model uyumunu hızlıca hesaplarken, Dock Prep ve Build Structure araçlarının moleküler dinamik simulations ve docking çalışmaları için atomik yükler ile hidrojen ekleme süreçlerini otomatikleştirdiği tespit edilmiştir.

Çalışmanın sonuçları, ChimeraX platformunun heterojen yazılım araçlarını tek bir arayüz altında toplayarak moleküler modelleme süreçlerindeki karmaşıklığı belirgin şekilde azalttığını ortaya koymaktadır. Yazarlar, harici geliştiriciler tarafından yazılan 29 farklı eklentinin yer aldığı Toolshed ekosisteminin yazılımın işlevselliğini sürekli genişlettiğini vurgulamaktadır. Bu çerçevede çalışma, biyoloji ve kimya araştırmacılarının ham mikroskopi verilerinden doğrulanmış atomik yapılara geçişini kolaylaştıran, literatürdeki ayrımlı yazılım kullanım zorunluluğunu ortadan kaldıran bütüncül bir metodolojik standart sunmaktadır.

Araştırmanın amacı

Çalışmanın temel amacı, UCSF ChimeraX moleküler grafik ve modelleme platformunun yapay zeka destekli yapı tahmini, yoğunluk haritası uyumlandırması, atom bazlı kalite skorlaması ve harici eklenti entegrasyonu alanlarındaki en son teknik yeteneklerini ve uygulama araçlarını metodolojik olarak sunmaktır(EC et al., 2023).

İnceleme ve modelleme yöntemi

Çalışma, UCSF ChimeraX moleküler grafik yazılımında geliştirilen yeni model inşa etme, yapay zeka entegrasyonu, cryo-EM haritalama ve kalite değerlendirme araçlarını metodolojik ve yazılımsal mimari açısından inceleyen hesaplamalı bir geliştirme ve uygulama araştırmasıdır(EC et al., 2023).

Kuramsal ve kavramsal çerçeve

Çalışma, hesaplamalı biyoloji, biyoinformatik ve yapısal biyoloji disiplinlerinin kesişiminde yer alan biyomoleküler grafik görselleştirme, yoğunluk haritası segmentasyonu ve uzamsal model arıtımlama (refinement) ilkelerine dayanmaktadır. Yapısal verilerin yüksek boyutluluğunu yönetmek için modüler yazılım mimarisi, olabilirlik tabanlı (likelihood-based) yerel uyumlandırma algoritmaları ve makine öğrenimi destekli yapı tahmin yöntemleri teorik zemini oluşturmaktadır.

Makalenin ele aldığı literatür

Metin, cryo-EM ve cryo-ET teknolojilerindeki son teknolojik gelişmeleri (Callaway 2020; Chiu vd. 2021; Hong vd. 2023), AlphaFold ve ESMFold yapı tahmin modellerini (Jumper vd. 2021; Lin vd. 2023), Phenix ve Rosetta arıtım araçlarını (Liebschner vd. 2019; Leman vd. 2020), ayrıca ISOLDE, QScore ve StrudelScore gibi model doğrulama ve gerçek zamanlı moleküler dinamik eklentilerini (Croll 2018; Pintilie vd. 2020; Istrate vd. 2021) kapsamlı bir şekilde ele almaktadır.

Araştırma Tasarımı

Evren veya inceleme alanı: Protein Veri Bankası (PDB), EMDB yoğunluk haritası veritabanları ile EBI AlphaFold ve ESM Metagenomic Atlas yapı tahmin veritabanları.
Örneklem veya araştırma materyali: İnsan insülin reseptörü dimerik yapısı (EMDB 34281, PDB 8guy), topozomeraz II-DNA kompleksi (EMD 29930, PDB 8gcc) ve hücresel elektron tomografisinden elde edilen ribozom parçacık listeleri.
Veri toplama süreci: ChimeraX arayüzü ve komut satırı üzerinden AlphaFold ColabFold sunucuları, Meta ESMFold web servisleri, Phenix emplace_local algoritmaları ve PDB/EMDB veri çekme protokolleri ile veri toplanmıştır.
Veri analiz yöntemi: Grafik kümeleme algoritmaları ile PAE alan ayrıştırması, Gauss yoğunluk korelasyonu (QScore), rotamer ampirik harita korelasyonu (StrudelScore) ve C-alfa RMSD çakıştırma analizleri uygulanmıştır.

Cryo-EM Yoğunluk HaritalamasıAlphaFold Yapı TahminipLDDT Güven SkoruPAE MatrisiESMFold Dil ModeliQScore Kalite AnaliziStrudelScore Rotamer DoğrulamasıChimeraX Eklenti Mimarisi (Toolshed)

Araştırmanın Bulguları

AlphaFold entegrasyonu sayesinde ChimeraX, kalıntı bazında pLDDT güven skorlarını ve atomlar arası PAE hata matrislerini 2D ısı haritası ve grafik kümeleme algoritmasıyla PAE alanlarına ayırarak görselleştirebilmektedir(EC et al., 2023).

ESMFold aracı, büyük bir dil AI modeli kullanarak derin dizi hizalamasına ihtiyaç duymadan 400 kalıntılık bir protein yapısını yaklaşık 30 saniyede tahmin etmekte ve AlphaFold'a kıyasla belirgin derecede yüksek hesaplama hızı sunmaktadır(EC et al., 2023).

PhenixUI bünyesindeki yerel EM oturtma aracı, olabilirlik tabanlı algoritmalar yardımıyla tahmin edilen protein alanlarını cryo-EM haritasına 1 Angstrom öteleme hassasiyetiyle tam doğru konumlandırabilmektedir(EC et al., 2023).

QScore ve StrudelScore eklentileri, atomik modellerin cryo-EM haritaları ile olan kalıntı bazlı atom çözünürlüğünü ve yan zincir rotamer uyumunu Gauss korelasyonları ile değerlendirerek modelleme hatalarının tespitini kolaylaştırmaktadır(EC et al., 2023).

ChimeraX Toolshed modüler altyapısı, topluluk tarafından geliştirilen SEQCROW, ISOLDE, StarMap, XMAS ve ArtiaX gibi paketlerin temel yazılım komutları ve kullanıcı arayüzleri ile sorunsuz bütünleşmesini sağlamaktadır(EC et al., 2023).

Bulguların Tartışılması ve Araştırmanın Sonucu

Bulguların Yazarlar Tarafından Yorumlanışı

Yapay zeka tabanlı yapı tahmin araçlarının UCSF ChimeraX platformuna doğrudan entegrasyonu, cryo-EM haritalarına yerleştirilecek başlangıç modellerinin elde edilmesini belirgin derecede hızlandırmaktadır. Kullanıcılar AlphaFold ve ESMFold veritabanlarından doğrudan koordinat çekebilmekte veya Google Colab sunucuları üzerinden yeni diziler için multimer tahminleri çalıştırabilmektedir.

Yazarlar, AlphaFold ve ESMFold modellerinin tam protein montajlarında alan ambalajlama (domain packing) hataları içerebileceğini, ancak tekil alan düzeyinde 1 ila 3 Angstrom RMSD hassasiyetine ulaştığını vurgulamaktadır. Bu doğrultuda, PAE matrisleri üzerinden alanların ayrıştırılması ve cryo-EM haritasına parçalı olarak yerleştirilmesi önerilmektedir.

Söz konusu bulgular, literatürde Terwilliger ve arkadaşları tarafından savunulan yapay zeka tahminlerinin deneysel yapıyı tamamen ikame etmek yerine güçlü birer hipotez modeli sunduğu görüşünü desteklemektedir. ChimeraX içerisindeki PhenixUI, ISOLDE ve StarMap gibi modüller, bu hipotez modellerinin gerçek cryo-EM verisiyle hassas bir şekilde iyileştirilmesine imkân tanımaktadır.

Sonuç olarak ChimeraX, Toolshed altyapısı sayesinde topluluk tarafından geliştirilen uzmanlaşmış eklentileri tek bir grafik ortamda buluşturmaktadır. Farklı yazılımlar arasında dosya dönüştürme ve aktarma ihtiyacını ortadan kaldıran bu bütüncül yaklaşım, moleküler yapı modelleme süreçlerindeki insan hatasını azaltmakta ve analiz akışını kolaylaştırmaktadır.

Bulguların Önceki Araştırmalarla Karşılaştırılması

Çalışmada AlphaFold yapay zeka tahminlerinin cryo-EM modellemesinde başlangıç yapısı olarak büyük kolaylık sağladığı gösterilmiş, ancak Terwilliger ve arkadaşlarının vurguladığı gibi bu tahminlerin deneysel verinin yerini almayıp cryo-EM haritasında mutlaka iyileştirilmesi gerektiği tespit edilmiştir(EC et al., 2023).

ESMFold metodolojisinin AlphaFold ile karşılaştırılmasında, evrimsel dizi hizalaması kullanmayan dil modelinin çok daha kısa sürede tekil alan tahminleri üreterek cryo-EM oturtma süreçlerinde pratik bir alternatif oluşturduğu doğrulanmıştır(EC et al., 2023).

Atomik modellerin harita çözünürlüğüne bağlı olarak kalıntı düzeyinde skorlanmasında QScore yöntemi ChimeraX içerisine doğrudan entegre edilmiş ve EMDB/PDB doğrulama standartlarına tam uyum sağlanmıştır(EC et al., 2023).

Sonuç Bölümünün Sunduğu Çıkarımlar

UCSF ChimeraX, yapay zeka destekli yapı tahmini, yoğunluk haritası uyumlandırması, yerel çözünürlük bazlı kalite değerlendirmesi ve harici eklenti modüllerini tek bir grafiksel platformda birleştirerek biyomoleküler yapılar üzerindeki modelleme süreçlerini basitleştirmekte, veri aktarımı aşamasındaki verimsizlikleri ve olası hataları en aza indirmektedir(EC et al., 2023).

Literatür Taraması İçin Sunduğu Çerçeve

Bu çalışma, yapısal biyoloji ve biyoinformatik literatüründe moleküler görselleştirme ile atomik modelleme yazılımlarının evriminde kritik bir köprü görevi görmektedir. Kriyojenik elektron mikroskopisi ve tomografisi alanındaki hızlı çözünürlük artışına paralel olarak ortaya çıkan büyük veri işleme ve atomik model inşa etme ihtiyacına bütüncül bir yanıt sunmaktadır. Yapay zeka tabanlı protein yapısı tahmin algoritmalarını doğrudan görselleştirme ve harita oturtma araçlarıyla birleştirmesi, yapısal verilerin analizinde yeni bir standart belirlemektedir.

Çalışma, UCSF Chimera yazılımının tarihsel mirasını devralarak Goddard ve ark. (2018) ile Pettersen ve ark. (2020) tarafından temelleri atılan ChimeraX mimarisini ileri bir aşamaya taşımaktadır. Önceki Chimera versiyonlarının büyük veri kümelerindeki performans sınırlarını aşmakla kalmayıp, Jumper ve ark. (2021) tarafından geliştirilen AlphaFold2 ile Lin ve ark. (2023) tarafından sunulan ESMFold gibi derin öğrenme modellerini tek bir platformda doğrudan erişilebilir kılmaktadır.

Biyomoleküler modelleme üzerine yazılacak bir literatür taraması için bu çalışma, yapısal biyolojide ampirik veriler ile hesaplamalı tahmin araçlarının nasıl entegre edildiğini gösteren temel bir referanstır. Farklı yazılımlar arasında dosya dönüştürme ve veri transferi ihtiyacını ortadan kaldırarak iş akışlarını bütünleştiren modüler eklenti mimarisinin (Toolshed) başarısını kanıtlamaktadır. Ayrıca cryo-EM haritalarının değişken çözünürlük koşullarında model kalitesinin kalıntı bazında nasıl doğrulanacağına dair kapsamlı bir çerçeve sunmaktadır.

Kaynakça

Jumper, J., Evans, R., Pritzel, A., Green, T., Figurnov, M., Ronneberger, O., ... & Hassabis, D. (2021). Highly accurate protein structure prediction with AlphaFold. Nature, 596(7873), 583-589.
Lin, Z., Akin, H., Rao, R., Hie, B., Zhu, Z., Lu, W., ... & Rives, A. (2023). Evolutionary-scale prediction of atomic-level protein structure with a language model. Science, 379(6637), 1123-1130.
Pintilie, G., Zhang, K., Su, Z., Li, S., Schmid, M. F., & Chiu, W. (2020). Measurement of atom resolvability in cryo-EM maps with Q-scores. Nature Methods, 17(3), 328-334.

Tez ve Makale Araştırmalarında Kullanım

Makalenin doğrulanmış yöntemi, bulguları ve kuramsal çerçevesi; tez ve makale çalışmalarında kullanılacağı bölümle birlikte aşağıdaki üç araştırma taslağına dönüştürülmüştür.

Tez veya makalede kullanım · method

Kriyojenik elektron mikroskopisi haritalarına atomik model oturtma sürecinde yapay zeka tahminlerinin parçalı kullanımı model hassasiyetini artırmaktadır.

Yüksek moleküler ağırlıklı komplekslerin model inşasında AlphaFold veya ESMFold ile üretilen tam yapıların doğrudan kullanımı yerine, PAE matrisleri yardımıyla belirlenen bağımsız domainlerin parçalı olarak haritaya oturtulması yöntemini savunmak için kullanılabilir(EC et al., 2023).

Cryo-EM Yoğunluk Haritalarında Yapay Zeka Domain Oturtma Performansının Karşılaştırılması

Araştırma sorusu: 3.0-4.0 Angstrom çözünürlükteki cryo-EM haritalarında, AlphaFold PAE domainlerinin parçalı oturtulması ile tam model oturtulmasının C-alpha RMSD ve QScore değerlerine etkisi nedir?
Yöntem taslağı: PDB ve EMDB veritabanlarından seçilen 20 farklı membran protein kompleksi materyal olarak kullanılır. Her protein için AlphaFold ile tam model ve PAE grafik kümeleme ile ayrıştırılmış parçalı domain modelleri hazırlanır. PhenixUI yerel EM oturtma algoritmasıyla haritalara oturtulur. Doğruluk, nihai deneysel yapılara olan C-alpha RMSD ve kalıntı bazlı QScore dağılımı ile istatistiksel olarak karşılaştırılır.

Makaleyle bağlantısı: İncelenen makalede insülin reseptörü örneği üzerinden gösterilen AlphaFold tam modellerindeki domain ambalajlanması hatalarının, PAE matrisine dayalı parçalı oturtma yöntemiyle nasıl giderildiği bulgusundan türetilmiştir(EC et al., 2023).

Tez veya makalede kullanım · Kavramsal çerçeve

Yapısal biyoloji iş akışlarında modüler yazılım eklentileri veri dönüştürme hatalarını ve zaman kaybını azaltmaktadır.

Moleküler modelleme yazılımlarında Toolshed gibi merkezi eklenti mimarilerinin, farklı geliştiriciler tarafından sunulan hesaplama araçlarını bütünleştirerek veri transferi kaynaklı insan hatalarını önlediği argümanını desteklemek amacıyla başvurulabilir(EC et al., 2023).

ESMFold ve AlphaFold Tahminlerinin Büyük Moleküler Komplekslerdeki Hız ve Yerel Doğruluk Analizi

Araştırma sorusu: Farklı amino asit uzunluklarına sahip monomerik proteinlerde ESMFold ve AlphaFold modellerinin hesaplama süreleri ile ampirik cryo-EM harita uyum skorları arasında nasıl bir ilişki vardır?
Yöntem taslağı: Uzunlukları 200 ile 1000 amino asit arasında değişen 30 farklı çözünür protein hedefi belirlenir. Google Colab üzerinde AlphaFold2 ve Meta ESMFold sunucusu kullanılarak yapı tahminleri çalıştırılır. Hesaplama süreleri kaydedilir. Elde edilen yapıların cryo-EM haritaları ile uyumu StrudelScore ve QScore eklentileri ile ölçülerek regresyon analizi yapılır.

Makaleyle bağlantısı: Makalede ESMFold'un 400 kalıntılık tahmini 30 saniyede tamamlayarak AlphaFold'a göre belirgin bir hız avantajı sunduğu, ancak domain düzeyinde değişken RMSD gösterdiği tespitine dayanmaktadır(EC et al., 2023).

Tez veya makalede kullanım · Tartışma

Yapay zeka tabanlı protein yapısı tahmin algoritmaları yüksek hesaplama hızına rağmen deneysel haritayla yerel düzeyde doğrulanmalıdır.

Tez çalışmalarında elde edilen hesaplamalı biyomoleküler modellerin doğrudan doğru kabul edilmeyip QScore veya StrudelScore gibi atomik çözünürlük metrikleriyle deneysel haritalara göre test edilmesinin gerekliliğini tartışırken kaynak gösterilebilir(EC et al., 2023).

Biyomoleküler Visualizasyon Arayüzlerinde Modüler Eklenti Kullanımının Araştırmacı İş Akışlarına Etkisi

Araştırma sorusu: ChimeraX Toolshed ortamındaki bütünleşik eklenti kullanımının, ayrı moleküler modelleme yazılımları arasındaki veri aktarımına kıyasla kullanıcı hata oranı ve model tamamlama süresine etkisi nedir?
Yöntem taslağı: Yapısal biyoloji alanında çalışan araştırmacılardan oluşan bir çalışma grubu belirlenir. Örneklem büyüklüğü Etki Büyüklüğü f=0.25 ve %80 güç analizi hedefiyle tespit edilir. Katılımcılara iki farklı modelleme senaryosu (bütünleşik ChimeraX Toolshed arayüzü vs. bağımsız yazılım paketleri) randomize olarak uygulanır. İşlem süreleri ve veri aktarım hataları nicel olarak ölçülür.

Makaleyle bağlantısı: Makalenin sonuç bölümünde vurgulanan, modelleme adımlarının tek bir arayüzde toplanmasının ara veri transferi gereksinimini ortadan kaldırarak insan hatasını ve karmaşıklığı azalttığı önermesinden türetilmiştir(EC et al., 2023).