Optimal inference of molecular interaction dynamics in FRET microscopy.
Optimal inference of molecular interaction dynamics in FRET microscopy.
复制标题
FRET显微镜中分子相互作用动力学的最佳推断。
DOI：
10.1073/pnas.2211807120
复制
发表时间：
2023-04-11
影响因子：
11.1
通讯作者：
中科院分区：
文献类型：
--
作者：
信噪比(SNR)限制了我们可以从数据中学到的东西。在荧光显微镜中，SNR由从样品中获取的光子的数量和这些光子在数据分析中的使用效率来设置。决定前者的实验配置往往是高度优化的，而最大化后者的分析方法仍然相对较少被探索。这就是基于强度的延时荧光共振能量转移(FRET)显微镜的情况，这是一种量化细胞内分子相互作用动力学的强大方法。在这里，我们开发了一种信息理论上的最优方法来从这样的FRET数据中估计分子相互作用，从而最大化信噪比。与明亮的荧光蛋白质和灵敏的光电探测器一样，该方法通过显著提高SNR来扩大FRET显微镜的范围。基于强度的时移荧光共振能量转移(FRET)显微镜已经成为研究细胞过程的主要工具，它将原本无法观察到的分子相互作用转化为荧光时间序列。然而，从可观测数据推断分子相互作用动力学仍然是一个具有挑战性的逆问题，特别是在测量噪声和光漂白不可忽略的情况下-这是单细胞分析中的常见情况。传统的方法是对时间序列数据进行代数处理，但这种方法不可避免地积累了测量噪声，降低了信噪比，限制了FRET显微镜的应用范围。在这里，我们介绍了一种替代的概率方法，B-FRET，通常适用于标准的3-立方体FRET成像数据。基于贝叶斯滤波理论，B-FRET实现了一种统计上最优的方法来推断分子相互作用，从而极大地提高了信噪比。我们使用模拟数据验证B-FRET，然后将其应用于真实数据，包括来自单个细菌细胞的体内FRET时间序列中众所周知的噪声，以揭示否则隐藏在噪声中的信号动力学。
Signal-to-noise ratio (SNR) limits what we can learn from data. In fluorescence microscopy, SNR is set by the number of photons acquired from a sample and the efficiency with which these photon are used in data analysis. Experimental configurations that determine the former tend to be highly optimized, whereas analysis methods to maximize the latter remain comparatively underexplored. This is the case for intensity-based, time-lapse fluorescence resonance energy transfer (FRET) microscopy, a powerful method for quantifying the dynamics of molecular interactions inside cells. Here, we develop an information-theoretically optimal method to estimate molecular interaction from such FRET data that maximizes SNR. Like bright fluorescent proteins and sensitive photodetectors, the method expands the scope of FRET microscopy by significantly improving SNR. Intensity-based time-lapse fluorescence resonance energy transfer (FRET) microscopy has been a major tool for investigating cellular processes, converting otherwise unobservable molecular interactions into fluorescence time series. However, inferring the molecular interaction dynamics from the observables remains a challenging inverse problem, particularly when measurement noise and photobleaching are nonnegligible—a common situation in single-cell analysis. The conventional approach is to process the time-series data algebraically, but such methods inevitably accumulate the measurement noise and reduce the signal-to-noise ratio (SNR), limiting the scope of FRET microscopy. Here, we introduce an alternative probabilistic approach, B-FRET, generally applicable to standard 3-cube FRET-imaging data. Based on Bayesian filtering theory, B-FRET implements a statistically optimal way to infer molecular interactions and thus drastically improves the SNR. We validate B-FRET using simulated data and then apply it to real data, including the notoriously noisy in vivo FRET time series from individual bacterial cells to reveal signaling dynamics otherwise hidden in the noise.
登录
查看更多内容
影响因子：
64.8
作者：
Alon, U;Surette, MG;Leibler, S
通讯作者：
Leibler, S
影响因子：
8.8
作者：
Emrich SM;Yoast RE;Xin P;Arige V;Wagner LE;Hempel N;Gill DL;Sneyd J;Yule DI;Trebak M
通讯作者：
Trebak M
影响因子：
16.6
作者：
Babel, Heiko;Naranjo-Meneses, Pablo;Bischofs, Ilka B.
通讯作者：
Bischofs, Ilka B.
影响因子：
3.4
作者：
Gordon, GW;Berry, G;Herman, B
通讯作者：
Herman, B
影响因子：
3.5
作者：
Chen, Huanmian;Puhl, Henry L., III;Ikeda, Stephen R.
通讯作者：
Ikeda, Stephen R.