La criomicroscopía electrónica ha transformado la biología estructural en la última década, pero el software que afina y realza los mapas de densidad brutos tiene un punto ciego: no ofrece forma de saber qué partes del mapa realzado son fiables. Una red neuronal puede convertir el ruido en estructura aparente y el usuario no tiene forma de distinguir la diferencia.
LocScale-2.0, publicado en Nature Communications el 17 de julio por investigadores de la Universidad Tecnológica de Delft, aborda esa brecha con puntuaciones de confianza voxel a voxel que indican a los biólogos estructurales qué características son fiables y cuáles deben tratarse con precaución.
Qué hace LocScale
Los mapas brutos de criomicroscopía electrónica son borrosos. Afinarlos, realzando los detalles de alta resolución mientras se suprime el ruido, es un paso esencial del posprocesamiento. LocScale 1.0, lanzado en 2017, realizaba este afinado localmente usando un modelo atómico existente como referencia. La versión 2.0, desarrollada por Alok Bharadwaj, Reinier de Bruin y Arjen Jakobi, introduce tres avances principales.
Primero, ahora funciona sin ningún modelo atómico. Un modo sin modelo utiliza un umbral de densidad controlado por tasa de falsos descubrimientos para estimar la envoltura molecular, colocando pseudoátomos en regiones no modeladas. Un modo híbrido combina modelos atómicos parciales con pseudoátomos para el resto.
Segundo, un flujo de trabajo de aprendizaje profundo completamente nuevo llamado LocScale-FEM (Feature-Enhanced Maps) opera en el espacio real utilizando una U-Net 3D bayesiana con dropout de Monte Carlo. A diferencia del enfoque de filtro de Fourier de la versión 1.0, esto afecta tanto a amplitudes como a fases, similar a la modificación de densidad.
Tercero, y lo más importante, el dropout de Monte Carlo genera un conjunto de predicciones cuya variación cuantifica la incertidumbre. Esto se convierte en una puntuación de confianza voxel a voxel (pVDDT, en una escala de -100 a 100) que se correlaciona con errores de fase locales. Puntuaciones de ±80 o más indican características fiables; ±95 o más indican probable sobreénfasis o supresión.
Qué muestran los benchmarks
En pruebas automatizadas de construcción de modelos usando ModelAngelo en 50 pares mapa-modelo por debajo de 4 Å de resolución, los mapas de LocScale-2.0 alcanzaron un 82 % de cobertura de secuencia antes de la poda, en comparación con los mapas depositados. La mejora individual más grande fue en la glutamato sintasa, donde 1.306 residuos adicionales (un aumento del 12 %) fueron modelados correctamente.
El recall volumétrico, una medida de qué tan bien el mapa realzado recupera la densidad molecular real, fue significativamente más alto que DeepEMhancer y EMReady (p < 0,0004 y p < 0,0002 respectivamente). De manera crucial, LocScale-2.0 preservó estructuras contextuales que los métodos competidores suprimían: cinturones lipídicos alrededor de proteínas de membrana, el tapón central en canales de secretina bacterianos, ARNt del sitio A y cadenas peptídicas nacientes en ribosomas, y placas de éster de colesterol dentro de partículas LDL.
Las puntuaciones de confianza pVDDT permiten a los usuarios distinguir, por ejemplo, el núcleo de piranosa bien ordenado de un ligando de su cola feniletílica flexible, información que es invisible en un mapa afinado convencional.
Por qué esto es importante para el campo
La criomicroscopía electrónica está produciendo estructuras a un ritmo acelerado, y el campo apunta cada vez más a sistemas complejos （proteínas de membrana en lípidos nativos, promedios de subtomogramas in situ, complejos endógenos） donde la calidad del mapa varía espacialmente. Las herramientas de afinado mediante aprendizaje profundo que producen un único mapa «óptimo» sin estimaciones de incertidumbre crean un riesgo de mala interpretación, particularmente para usuarios inexpertos.
El enfoque guiado por confianza de LocScale-2.0 hace visible la incertidumbre. El software está disponible como parte del paquete CCP-EM Doppio y como un paquete Python independiente. La advertencia: en el 17 % de los casos probados, los mapas depositados superaron a los mapas de LocScale-2.0 para la construcción automatizada de modelos, y los datos de entrenamiento de la red neuronal cubren solo 89 entradas de EMDB, lo que significa que las características fuera de esta distribución pueden no ser procesadas de manera óptima.
Traducido por Alessandra
Fuentes
1. A. Bharadwaj, R. de Bruin, A.J. Jakobi, «Confidence-guided cryo-EM map optimization with LocScale-2.0,» Nature Communications (2026). DOI: 10.1038/s41467-026-75327-8