Progressive stochastic reconstruction technique for cryo electron tomography

Abstract

Cryo Electron Tomography (cryoET) plays an essential role in Structural Biology, as it is the only technique that allows us to study the structure of large macromolecular complexes in their close to native environment in situ. The reconstruction process is a challenging task as the single-tilt acquisition scheme imposes severe limitation on the input projections. High-resolution protocols such as Subtomogram Averaging (SA) can alleviate some of these limitations. Results of these protocols are highly dependent on the quality of the reconstruction. State-of-the-art methods deliver low-contrast and noisy reconstructions, which complicates their processing during the SA.

In this thesis we focus on improvement of the quality of tomograms in cryoET in order to facilitate their subsequent processing. We propose a Progressive Stochastic Reconstruction Technique (PSRT) -- a novel iterative approach to tomographic reconstruction in cryoET that is based on Monte Carlo random walks. We design a progressive scheme to suit conditions present in cryoET and integrate PSRT into the SA pipeline, where it delivers high-contrast reconstructions that significantly improve template-based localization without any loss of high-resolution structural information. Furthermore, we perform a systematic study of the geometry-related acquisition artifacts and draw recommendations regarding the mutual influence of these artifacts and implications to the interpretation of both cryoET and SA experiments.

Kryoelektronentomographie (cryoET) spielt eine wichtige Rolle in der Strukturbiologie, da sie als die einzige Technik ermöglicht, intakte Zellstrukturen auf der molekülaren Ebene zu untersuchen. Die 3D Rekonstruktion wird durch nicht vollsaendigen Informationen in Bildaufnahmen des Elektronenmikroskops deutlich kompliziert. Mehrere hochausloesende Verfahren, z.B. Subtomogram Averaging (SA), reduzieren diese Begrenzung. Ihre Ergebnisse haengen jedoch stark von der Rekonstruktionsqualiaet ab. Die gegenwaertigen Methoden erzeugen Rekonstruktionen, die meistens sehr verrauscht und kontrastarm sind.

Im Rahmen dieser Arbeit befassen wir uns mit der Verbesserung der Rekonstruktionsqualität in cryoET, um die Weiterverarbeitung der Daten zu vereinfachen. Wir stellen eine neue iterative stochastische Rekonstruktionsmethode fuer cryoET vor, die auf Monte-Carlo Random Walks basiert und so entworfen wurde, dass sie den spezifischen Umstaenden in cryoET entspricht. In der Kombination mit SA wird gezeigt, dass unsere Methode Rekonstruktionen mit hoehem Kontrast erzeugt und damit die automatische Erkennung der Zellstrukturen verbessert ohne die hochausloesenden Informationen über den Zellstrukturen zu verlieren. Weiterhin untersuchen wir die geometrische Rekonstruktionsartefakten in cryoET und deren Einfluss auf die Informationsqualität der Rekonstruktionen.