Abstract Background and Objective Cryo-electron tomography (cryo-ET) is an imaging technique that enables 3D visualization of the native cellular environment at sub-nanometer resolution, providing unpreceded insights into the molecular organization of cells. However, cryo-electron tomograms suffer from low signal-to-noise ratios and anisotropic resolution, which makes subsequent image analysis challenging. In particular, the automated detection of membrane-embedded proteins is a problem still lacking satisfactory solutions. Methods We present MemBrain – a new deep learning-based pipeline that automatically detects membrane-bound protein complexes in cryo-electron tomograms. After subvolumes are sampled along a segmented membrane, each subvolume is assigned a score using a convolutional neural network (CNN), and protein positions are extracted by a clustering algorithm. Incorporating rotational subvolume normalization and using a tiny receptive field simplify the task of protein detection and thus facilitate the network training. Results MemBrain requires only a small quantity of training labels and achieves excellent performance with only a single annotated membrane (F1 score: 0.88). A detailed evaluation shows that our fully trained pipeline outperforms existing classical computer vision-based and CNN-based approaches by a large margin (F1 score: 0.92 vs. max. 0.63). Furthermore, in addition to protein center positions, MemBrain can determine protein orientations, which has not been implemented by any existing CNN-based method to date. We also show that a pre-trained MemBrain program generalizes to tomograms acquired using different cryo-ET methods and depicting different types of cells. Conclusions MemBrain is a powerful and label-efficient tool for the detection of membrane protein complexes in cryo-ET data, with the potential to be used in a wide range of biological studies. It is generalizable to various kinds of tomograms, making it possible to use pretrained models for different tasks. Its efficiency in terms of required annotations also allows rapid training and fine-tuning of models. The corresponding code, pretrained models, and instructions for operating the MemBrain program can be found at: https://github.com/CellArchLab/MemBrain

Abstract Cryo-electron tomography (cryo-ET) allows to visualize the cellular context at macromolecular level. To date, the impossibility of obtaining a reliable ground truth is limiting the application of deep learning-based image processing algorithms in this field. As a consequence, there is a growing demand of realistic synthetic datasets for training deep learning algorithms. In addition, besides assisting the acquisition and interpretation of experimental data, synthetic tomograms are used as reference models for cellular organization analysis from cellular tomograms. Current simulators in cryo-ET focus on reproducing distortions from image acquisition and tomogram reconstruction, however, they can not generate many of the low order features present in cellular tomograms. Here we propose several geometric and organization models to simulate low order cellular structures imaged by cryo-ET. Specifically, clusters of any known cytosolic or membrane bound macromolecules, membranes with different geometries as well as different filamentous structures such as microtubules or actin-like networks. Moreover, we use parametrizable stochastic models to generate a high diversity of geometries and organizations to simulate representative and generalized datasets, including very crowded environments like those observed in native cells. These models have been implemented in a multiplatform open-source Python package, including scripts to generate cryo-tomograms with adjustable sizes and resolutions. In addition, these scripts provide also distortion-free density maps besides the ground truth in different file formats for efficient access and advanced visualization. We show that such a realistic synthetic dataset can be readily used to train generalizable deep learning algorithms.

MemBrain v2 is a deep learning-enabled program aimed at the efficient analysis of membranes in cryo-electron tomography (cryo-ET). The final v2 release of MemBrain will comprise three main modules: 1) MemBrain-seg, which provides automated membrane segmentation, 2) MemBrain-pick, which provides automated picking of particles along segmented membranes, and 3) MemBrain-stats, which provides quantitative statistics of particle distributions and membrane morphometrics. This initial version of the manuscript is focused on the beta release of MemBrain-seg, which combines iterative training with diverse data and specialized Fourier-based data augmentations. These augmentations are specifically designed to enhance the tool9s adaptability to a variety of tomographic data and address common challenges in cryo-ET analysis. A key feature of MemBrain-seg is the implementation of the Surface-Dice loss function, which improves the network9s focus on membrane connectivity and allows for the effective incorporation of manual annotations from different sources. This function is beneficial in handling the variability inherent in membrane structures and annotations. Our ongoing collaboration with the cryo-ET community plays an important role in continually improving MemBrain v2 with a wide array of training data. This collaborative approach ensures that MemBrain v2 remains attuned to the field9s needs, enhancing its robustness and generalizability across different types of tomographic data. The current version of MemBrain-seg is available at https://github.com/teamtomo/membrain-seg, and the predecessor of MemBrain-pick (also called MemBrain v1) is deposited at https://github.com/CellArchLab/MemBrain. This preprint will be updated concomitantly with the code until the three integrated modules of MemBrain v2 are complete.

Cryo-electron tomography allows us to visualize and analyze the native cellular environment on a molecular level in 3D. To reliably study structures and interactions of proteins, they need to be accurately localized. Recent detection methods train a segmentation network and use post-processing to determine protein locations, often leading to inaccurate and inconsistent locations. We present an end-to-end learning approach for more accurate protein center identification by introducing a differentiable, scoremap-guided Mean Shift clustering implementation. To make training computationally feasible, we sample random cluster points instead of processing the entire image. We show that our Mean Shift loss leads to more accurate cluster center positions compared to the classical Dice loss. When combining these loss functions, we can enhance 3D protein shape preservation and improve clustering with more accurate, localization-focused score maps. In addition to improved protein localization, our method provides more efficient training with sparse ground truth annotations, due to our point sampling strategy.

Abstract Motivation Visualization and annotation of segmented surfaces is of paramount importance for studying membrane proteins in their native cellular environment by cryogenic electron tomography (cryo-ET). Yet, analyzing membrane proteins and their organization is challenging due to their small sizes and the need to consider local context constrained to the membrane surface. Results To interactively visualize, annotate, and analyze proteins in cellular context from cryo-ET data, we have developed Surforama, a Python package and napari plugin. For interactive visualization of membrane proteins in tomograms, Surforama renders the local densities projected on the surface of the segmentations. Suforama additionally provides tools to annotate and analyze particles on the membrane surfaces. Finally, for compatibility with other tools in the cryo-ET analysis ecosystem, results can be exported as RELION-formatted STAR files. As a demonstration, we performed subtomogram averaging and neighborhood analysis of photosystem II proteins in thylakoid membranes from the green alga Chlamydomonas reinhardtii . Availability and implementation Python package, code and examples are available at: https://github.com/cellcanvas/surforama

Cryo-electron tomography (cryo-ET) allows one to visualize and study the 3D spatial distribution of macromolecules, in their native states and at nanometer resolution in single cells. While this label-free cryogenic imaging technology produces data containing rich structural information, automatic localization and identification of macromolecules are prone to noise and reconstruction artifacts,and to the presence of many molecular species in small areas. Hence, we present a computational procedure that uses artificial neural networks to accurately localize several macromolecular species in cellular cryo-electron tomograms. The DeepFinder algorithm leverages deep learning and outperforms the commonly-used template matching method on synthetic datasets. Meanwhile, DeepFinder is very fast when compared to template matching, and is better capable of localizing and identifying small macromolecules than other competitive deep learning methods. On experimental cryo-ET data depicting ribosomes, the localization and structure resolution (determined through subtomogram averaging) results obtained with DeepFinder are consistent with those obtained by experts. The DeepFinder algorithm is able to imitate the analysis performed by experts, and is therefore a very promising algorithm to investigate efficiently the contents of cellular tomograms. Furthermore, we show that DeepFinder can be combined with a template matching procedure to localize the missing macromolecules not found by one or the other method. Application of this collaborative strategy allowed us to find additional 20.5% membrane-bound ribosomes that had been missed or discarded during manual template matching-assisted annotation.### Competing Interest StatementThe authors have declared no competing interest.

Abstract Pyrenoids are subcompartments of algal chloroplasts that concentrate Rubisco enzymes and their CO 2 substrate, thereby increasing the efficiency of carbon fixation. Diatoms perform up to 20% of global CO 2 fixation, but their pyrenoids remain poorly characterized at a molecular level. Here, we used in vivo photo-crosslinking to catalogue components of diatom pyrenoids and identified a pyrenoid shell (PyShell) protein, which we localized to the pyrenoid periphery of both the pennate diatom, Pheaodactylum tricornutum , and the centric diatom, Thalassiosira pseudonana . In situ cryo-electron tomography (cryo-ET) revealed that the pyrenoids of both diatom species are encased in a lattice-like protein sheath. Disruption of PyShell expression in T. pseudonana resulted in the absence of this protein sheath, altered pyrenoid morphology, and a high-CO 2 requiring phenotype, with impaired growth and reduced carbon fixation efficiency under standard atmospheric conditions. Pyrenoids in mutant cells were fragmented and lacked the thylakoid membranes that normally traverse the Rubisco matrix, demonstrating how the PyShell plays a guiding role in establishing pyrenoid architecture. Recombinant PyShell proteins self-assembled into helical tubes, enabling us to determine a 3.0 Å-resolution PyShell structure. We then fit this in vitro structure into an in situ subtomogram average of the pyrenoid’s protein sheath, yielding a putative atomic model of the PyShell within diatom cells. The structure and function of the diatom PyShell provides a new molecular view of how CO 2 is assimilated in the ocean, a crucial biome that is on the front lines of climate change.