Kryoelektronenmikroskopie von Proteinen: 3D-Struktur (12 A) des Hämocyanins der Schnecke Haliotis

Zusammenfassung:Die Quartärstruktur des respiratorischen Proteins Hämocyanin (Isoform HtH1) aus der marinen Schnecke Haliotis tuberculata wurde vermittels Kryoelektronen-mikroskopie und 3D-Rekonstruktion untersucht. Das Molekül ist zylinderförmig, hat einen Durchmesser von ca. 35 nm und besteht aus einer Zylinderwand und einem internen Kragenkomplex. Dieser wiederum besteht aus einem Collar und einem Arc.Die kryoelektronenmikroskopischen Aufnahmen von in glasartigem Eis fixierten HtH1-Molekülen brachte eine enorme Verbesserung der Anzahl der zur Verfügung stehenden Ansichtswinkel gegenüber den negativkontrastierten Molekülen, die auf Karbonfilm präpariert waren.Die 3D-Rekonstruktion des HtH1 mittels Aufnahmen bei drei verschiedenen Defo-kuswerten verbesserte die Auflösung noch einmal deutlich gegenüber den Rekon-struktionen, die aus Aufnahmen bei einem festen Defokuswert gemacht wurden, und zwar auf 12 Å. Das Molekül besitzt eine D5-Symmetrie.Aus dieser bisher genausten Rekonstruktion eines Molluskenhämocyanins aus EM-Bildern ließen sich folgende neue Strukturdetails ableiten:· Ein Untereinheitendimer konnte als Repeating Unit im Dekamer des HtH1 beschrieben werden.· Das Untereinheitendimer konnte aus der 3D-Dichtekarte isoliert werden. Es be-steht eindeutig aus 16 Massen, die funktionellen Domänen entsprechen. Zwei dieser Massen bilden den Collar, zwei den Arc und 12 das Wandsegment.· Die gegenläufige Anordnung der beiden Untereinheiten innerhalb dieses Unte-reinheitendimers konnten bestätigt und auf zwei Möglichkeiten eingeschränkt werden.· Die Zahl der alternativen Anordnungen der 16 funktionellen Domänen (HtH1-a bis HtH1-h) im Untereinheitendimer konnten von 80 auf 2 eingeengt werden.· Es konnte über molekulares Modellieren mithilfe einer publizierten Kristallstruk-tur eine 3D-Struktur fastatomarer Auflösung der funktionellen Domäne HtH1-g berechnet werden.· Die funktionelle Domäne HtH1-g konnte als Domänenpaar plausibel in die 3D?Dichtekarte des Untereinheitendimers eingepasst werden, und zwar in die beiden Massen des Arc.Aus der elektronenmikroskopisch gewonnenen Dichtekarte wurde mit Hilfe des

Reinforcement Lernen mit Regularisierungsnetzwerken

Die Arbeit behandelt das Problem der Skalierbarkeit von Reinforcement Lernen auf hochdimensionale und komplexe Aufgabenstellungen. Unter Reinforcement Lernen versteht man dabei eine auf approximativem Dynamischen Programmieren basierende Klasse von Lernverfahren, die speziell Anwendung in der Künstlichen Intelligenz findet und zur autonomen Steuerung simulierter Agenten oder realer Hardwareroboter in dynamischen und unwägbaren Umwelten genutzt werden kann. Dazu wird mittels Regression aus Stichproben eine Funktion bestimmt, die die Lösung einer "Optimalitätsgleichung" (Bellman) ist und aus der sich näherungsweise optimale Entscheidungen ableiten lassen. Eine große Hürde stellt dabei die Dimensionalität des Zustandsraums dar, die häufig hoch und daher traditionellen gitterbasierten Approximationsverfahren wenig zugänglich ist. Das Ziel dieser Arbeit ist es, Reinforcement Lernen durch nichtparametrisierte Funktionsapproximation (genauer, Regularisierungsnetze) auf -- im Prinzip beliebig -- hochdimensionale Probleme anwendbar zu machen. Regularisierungsnetze sind eine Verallgemeinerung von gewöhnlichen Basisfunktionsnetzen, die die gesuchte Lösung durch die Daten parametrisieren, wodurch die explizite Wahl von Knoten/Basisfunktionen entfällt und so bei hochdimensionalen Eingaben der "Fluch der Dimension" umgangen werden kann. Gleichzeitig sind Regularisierungsnetze aber auch lineare Approximatoren, die technisch einfach handhabbar sind und für die die bestehenden Konvergenzaussagen von Reinforcement Lernen Gültigkeit behalten (anders als etwa bei Feed-Forward Neuronalen Netzen). Allen diesen theoretischen Vorteilen gegenüber steht allerdings ein sehr praktisches Problem: der Rechenaufwand bei der Verwendung von Regularisierungsnetzen skaliert von Natur aus wie O(n**3), wobei n die Anzahl der Daten ist. Das ist besonders deswegen problematisch, weil bei Reinforcement Lernen der Lernprozeß online erfolgt -- die Stichproben werden von einem Agenten/Roboter erzeugt, während er mit der Umwelt interagiert. Anpassungen an der Lösung müssen daher sofort und mit wenig Rechenaufwand vorgenommen werden. Der Beitrag dieser Arbeit gliedert sich daher in zwei Teile: Im ersten Teil der Arbeit formulieren wir für Regularisierungsnetze einen effizienten Lernalgorithmus zum Lösen allgemeiner Regressionsaufgaben, der speziell auf die Anforderungen von Online-Lernen zugeschnitten ist. Unser Ansatz basiert auf der Vorgehensweise von Recursive Least-Squares, kann aber mit konstantem Zeitaufwand nicht nur neue Daten sondern auch neue Basisfunktionen in das bestehende Modell einfügen. Ermöglicht wird das durch die "Subset of Regressors" Approximation, wodurch der Kern durch eine stark reduzierte Auswahl von Trainingsdaten approximiert wird, und einer gierigen Auswahlwahlprozedur, die diese Basiselemente direkt aus dem Datenstrom zur Laufzeit selektiert. Im zweiten Teil übertragen wir diesen Algorithmus auf approximative Politik-Evaluation mittels Least-Squares basiertem Temporal-Difference Lernen, und integrieren diesen Baustein in ein Gesamtsystem zum autonomen Lernen von optimalem Verhalten. Insgesamt entwickeln wir ein in hohem Maße dateneffizientes Verfahren, das insbesondere für Lernprobleme aus der Robotik mit kontinuierlichen und hochdimensionalen Zustandsräumen sowie stochastischen Zustandsübergängen geeignet ist. Dabei sind wir nicht auf ein Modell der Umwelt angewiesen, arbeiten weitestgehend unabhängig von der Dimension des Zustandsraums, erzielen Konvergenz bereits mit relativ wenigen Agent-Umwelt Interaktionen, und können dank des effizienten Online-Algorithmus auch im Kontext zeitkritischer Echtzeitanwendungen operieren. Wir demonstrieren die Leistungsfähigkeit unseres Ansatzes anhand von zwei realistischen und komplexen Anwendungsbeispielen: dem Problem RoboCup-Keepaway, sowie der Steuerung eines (simulierten) Oktopus-Tentakels.

3D-Strukturanalyse von Molluskenhämocyaninen aus elektronenmikroskopischen Bildern

Diese Arbeit präsentiert die bislang höchst aufgelösten KryoEM-Strukturen für ein Cephalopoden hämocyanin Dekamer (Nautilus pompilus Hämocyanin, NpH) und ein Gastropoden Hämocyanin Didekamer (keyhole limpet hemocyanin isoform 1). Durch die Methoden des “molecular modelling” und “rigid-body-fiting” wurde auch eine detaillierte Beschreibung beider Strukturen auf atomarem Niveau erstmalig möglich. Hämocyanine sind kupferhaltige Sauerstoff-Transportproteine die frei gelöst in Blut zahlreicher Arthropoden und Mollusken vorkommen. Allgemein sind Molluskenhämocyanine als Dekamere (Hohlzylinder aus 5 Untereinheiten-dimere) oder Didecamere (Zusammenlagerung von zwei Dekameren) zu finden. Durch Anlagerung weiterer Dekamere bilden sich teilweise tubuläre Multidekamere. Hämocyanine der Cephalopoden bestehen ausschließlich aus solitären Decameren. In Octopus und Nautilus bestehen die 10 Untereinheiten aus 7 funktionellen Einheiten(FU-a bis FU-g), wobei jede FU ein Sauerstoffmolekül binden kann. FUs a-f bilden die Wand des ringförmigen Moleküls und 10 Kopien der FU-g bilden einen sogenannten „inneren Kragenkomplex“. Das im Rahmen dieser Arbeit erstelltes molekulares Modell von NpH klärt die Struktur des Dekamers vollständig auf. Wir waren zum ersten Mal in der Lage das Untereinheiten-dimer, den Verlauf der Polypeptidkette und 15 unterschiedliche Kontaktstellen zwischen FUs zu identifizieren. Viele der inter-FU-Kontakte weisen Aminosäurenkonstellationen auf, die die Basis für die Übertragung allosterischer Wechselwirkungen zwischen FUs darstellen könnten und Hinweise für den Aufbau der allosterische Einheit geben. Potentielle Bindungsstellen für N-glykosidische Zucker und bivalente Kationen wurden auch identifiziert. Im Gegensatz zu NpH, kommen Gastropoden Hämocyanine (inkl. KLH) hauptsächlich als Didekamere vor und der Kragenkomplex wird in diesem Fall aus 2 FUs gebildet (Fu-g und FU-h). Die zusätzliche C'-terminale FU-h zeichnet sich durch eine spezielle Verlängerung von ~ 100 Aminosäuren aus. KLH stammt aus der kalifornische Schnecke Megathura crenulata und kommt seit mehreren Jahrzehnten als Immunostimulator in der immunologischen Grundlagenforschung und klinischen Anwendung zum Einsatz. KLH weist zwei Isoformen auf, KLH1 und KLH2. Das vorliegende Modell von KLH1 erlaubt die komplexe Architektur dieses riesigen Proteins in allen Details zu verstehen, sowie einen Vergleich zum dem NpH Dekamer auf atomare Ebene. Es wurde gefunden, dass das Untereinheitensegment a-b-c-d-e-f-g, sowie die equivalenten Kontaktstellen zwichen FUs stark konserviert sind. Dies deutet darauf hin, dass in Bezug auf die Übertragung allosterische Signale zwischen benachbarten FUs, grundlegende Mechanismen in beiden Molekülen beibehalten wurden. Weiterhin, konnten die Verbindungen zwischen den zwei Dekameren ertsmalig identifiziert werden. Schließlich, wurde die Topologie der N-glycosidischen Zucker, welche für die immunologische Eigenschaften von KLH1 von großer Bedeutung sind, auch aufgeklärt. Somit leistet die vorliegende Arbeit einen wesentlichen Schritt zum Verständnis der Quartärstruktur und Funktion der Molluskenhämocyanine.rn