La cryo-microscopie électronique a transformé la biologie structurale au cours de la dernière décennie, mais le logiciel qui affine et améliore les cartes de densité brutes présente un angle mort : il n’offre aucun moyen de savoir quelles parties de la carte améliorée sont fiables. Un réseau neuronal peut transformer le bruit en structure apparente, et l’utilisateur n’a aucun moyen de faire la différence.
LocScale-2.0, publié dans Nature Communications le 17 juillet par des chercheurs de l’Université de Technologie de Delft, comble cette lacune avec des scores de confiance voxel par voxel qui indiquent aux biologistes structuraux quelles caractéristiques sont dignes de confiance et lesquelles doivent être traitées avec prudence.
Ce que fait LocScale
Les cartes de cryo-ME brutes sont floues. Les affiner, en améliorant les détails à haute résolution tout en supprimant le bruit, est une étape essentielle du post-traitement. LocScale 1.0, sorti en 2017, effectuait cet affinage localement en utilisant un modèle atomique existant comme référence. La version 2.0, développée par Alok Bharadwaj, Reinier de Bruin et Arjen Jakobi, introduit trois avancées majeures.
Premièrement, elle fonctionne désormais sans aucun modèle atomique. Un mode sans modèle utilise un seuillage de densité contrôlé par le taux de fausses découvertes pour estimer l’enveloppe moléculaire, en plaçant des pseudo-atomes dans les régions non modélisées. Un mode hybride combine des modèles atomiques partiels avec des pseudo-atomes pour le reste.
Deuxièmement, un tout nouveau workflow d’apprentissage profond appelé LocScale-FEM (Feature-Enhanced Maps) opère dans l’espace réel en utilisant un U-Net 3D bayésien avec dropout de Monte Carlo. Contrairement à l’approche par filtre de Fourier de la version 1.0, cela affecte à la fois les amplitudes et les phases, à l’instar de la modification de densité.
Troisièmement, et surtout, le dropout de Monte Carlo génère un ensemble de prédictions dont la variance quantifie l’incertitude. Ceci est converti en un score de confiance voxel par voxel (pVDDT, sur une échelle de -100 à 100) qui est corrélé aux erreurs de phase locales. Des scores de ±80 ou plus indiquent des caractéristiques fiables ; ±95 ou plus indiquent une probable surestimation ou suppression.
Ce que montrent les benchmarks
Dans des tests automatisés de construction de modèles utilisant ModelAngelo sur 50 paires carte-modèle en dessous de 4 Å de résolution, les cartes LocScale-2.0 ont atteint 82 % de couverture de séquence avant élagage, par rapport aux cartes déposées. La plus grande amélioration concernait la glutamate synthase, où 1 306 résidus supplémentaires (soit une augmentation de 12 %) ont été modélisés correctement.
Le rappel volumétrique, une mesure de la capacité de la carte améliorée à retrouver la densité moléculaire réelle, était significativement plus élevé que DeepEMhancer et EMReady (p < 0,0004 et p < 0,0002 respectivement). Fait crucial, LocScale-2.0 a préservé des structures contextuelles que les méthodes concurrentes supprimaient : les ceintures lipidiques autour des protéines membranaires, le bouchon central dans les canaux de sécrétine bactériens, l’ARNt du site A et les chaînes peptidiques naissantes dans les ribosomes, ainsi que les plaques d’ester de cholestérol à l’intérieur des particules de LDL.
Les scores de confiance pVDDT permettent aux utilisateurs de distinguer, par exemple, le noyau pyranose bien ordonné d’un ligand de sa queue phényléthyle flexible, une information invisible dans une carte affinée conventionnelle.
Pourquoi c’est important pour le domaine
La cryo-ME produit des structures à un rythme accéléré, et le domaine cible de plus en plus des systèmes complexes (protéines membranaires dans des lipides natifs, moyennes de sous-tomogrammes in situ, complexes endogènes), où la qualité de la carte varie spatialement. Les outils d’affinage par apprentissage profond qui produisent une seule carte « optimale » sans estimations d’incertitude créent un risque de mauvaise interprétation, particulièrement pour les utilisateurs inexpérimentés.
L’approche guidée par la confiance de LocScale-2.0 rend l’incertitude visible. Le logiciel est disponible dans le cadre de la suite CCP-EM Doppio et en tant que package Python autonome. La mise en garde : dans 17 % des cas testés, les cartes déposées ont surpassé les cartes LocScale-2.0 pour la construction automatique de modèles, et les données d’apprentissage du réseau neuronal ne couvrent que 89 entrées EMDB, ce qui signifie que les caractéristiques en dehors de cette distribution peuvent ne pas être traitées de manière optimale.
Traduit par Lydie
Sources
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