Verfahren zur Klassifikation und Mittelung von Subtomogrammen können die Auflösung in Strukturuntersuchungen molekularer Komplexe verbessern und ermöglichen damit eine Analyse der strukturellen Merkmale mit höherer Präzision. In dieser Arbeit wird ein neu entwickelter dreidimensionaler (3D) Maximum Likelihood-Algorithmus im Vergleich zu bestehenden Analysemethoden vorgestellt. Der ML-Algorithmus fasst die Alignierung und Klassifikation in einem einzigen Prozessschritt zusammen und verwendet ein neu-definiertes Abstandsmass, welches auch für andere Verfahren einsetzbar ist. Dieses Abstandsmass bildet die Grundlage für die Berechnung einer Wahrscheinlichkeit, die prüft ob ein individuelles Subtomogramm zu einer gegeben Referenzstruktur (bzw. Klasse) gehört. Dabei wird angenommen, dass die Referenzstruktur durch einen Compound Wedge verzerrt ist, der sich aus unterschiedlich orientierten Missing Wedge Volumen zusammensetzt. Das Abstandsmass berücksichtigt den Compound Wedge der Referenz und den Missing Wedge des einzelnen Subtomogramms und gewichtet die Frequenzbereiche von Subtomogramm und Referenz beim Vergleich entsprechend. Um die Berechenbarkeit dieses Verfahrens auch für große Volumen mit einer großen Anzahl an Subtomogrammen zu gewährleisten, wurde MLTOMO entwickelt. Das C++ Programm parallelisiert den Maximum Likelihood (ML)-Algorithmus und ermöglicht eine skalierbare Berechnung des Problems auf Super-Computern mit einer großen Anzahl an Prozessoren. Simulationen zeigen, dass MLTOMO präzisere Ergebnisse liefert als der Constrained Correlation Ansatz. Das Verfahren zeigt insbesondere Vorteile für die Analyse von Strukturen, die in einer bevorzugten Orientierung in der Probe und damit in den Subtomogrammen vorliegen. Bei der Untersuchung von kryo-elektronenmikroskopischen Daten (in Eis eingebettete Thermosomen), konnten mit Hilfe von MLTOMO zwei unterschiedliche Konformationen des Thermosoms identifiziert werden. Die Ergebnisse zeigten darüber hinaus große Übereinstimmung mit vergleichbaren Untersuchungen aus Einzelpartikelanalysen, denen Proben mit derselben Präparation zu Grunde lagen.     «

Verfahren zur Klassifikation und Mittelung von Subtomogrammen können die Auflösung in Strukturuntersuchungen molekularer Komplexe verbessern und ermöglichen damit eine Analyse der strukturellen Merkmale mit höherer Präzision. In dieser Arbeit wird ein neu entwickelter dreidimensionaler (3D) Maximum Likelihood-Algorithmus im Vergleich zu bestehenden Analysemethoden vorgestellt. Der ML-Algorithmus fasst die Alignierung und Klassifikation in einem einzigen Prozessschritt zusammen und verwendet ein...     »

Classification and averaging of sub-tomograms can improve the fidelity and resolution of structures obtained by electron tomography. Here we present a three-dimensional (3D) maximum likelihood algorithm – MLTOMO – which is characterized by integrating 3D alignment and classification into a single, unified processing step. The novelty of our approach lies in the way we calculate the probability of observing an individual sub-tomogram for a given reference structure. We assume that the reference structure is affected by a ‘compound wedge’, resulting from the summation of many individual missing wedges in distinct orientations. The distance metric underlying our probability calculations effectively down-weights Fourier components that are observed less frequently. Simulations demonstrate that MLTOMO clearly outperforms the ‘constrained correlation’ approach and has advantages over existing approaches in cases where the sub-tomograms adopt preferred orientations. Application of our approach to cryo-electron tomographic data of ice-embedded thermosomes revealed distinct conformations that are in good agreement with results obtained by previous single particle studies.     «

Classification and averaging of sub-tomograms can improve the fidelity and resolution of structures obtained by electron tomography. Here we present a three-dimensional (3D) maximum likelihood algorithm – MLTOMO – which is characterized by integrating 3D alignment and classification into a single, unified processing step. The novelty of our approach lies in the way we calculate the probability of observing an individual sub-tomogram for a given reference structure. We assume that the reference s...     »