Protein synthesis in all cells is carried out by macromolecular machines called ribosomes. Although the structures of prokaryotic, yeast and protist ribosomes have been determined, the more complex molecular architecture of metazoan 80S ribosomes has so far remained elusive. Here we present structures of Drosophila melanogaster and Homo sapiens 80S ribosomes in complex with the translation factor eEF2, E-site transfer RNA and Stm1-like proteins, based on high-resolution cryo-electron-microscopy density maps. These structures not only illustrate the co-evolution of metazoan-specific ribosomal RNA with ribosomal proteins but also reveal the presence of two additional structural layers in metazoan ribosomes, a well-ordered inner layer covered by a flexible RNA outer layer. The human and Drosophila ribosome structures will provide the basis for more detailed structural, biochemical and genetic experiments. High-resolution cryo-EM density maps are used to present the structures of Drosophila and human 80S ribosomes in complex with eEF2, E-site transfer RNA and Stm1-like proteins, and reveal the presence of two additional structural layers in the ribosomes of metazoan eukaryotes. The structures of several bacterial and yeast ribosomes have been published in the past decade, but we have had to wait for those of the much larger and more complicated metazoan ribosomes. Now Roland Beckmann and colleagues present the cryo-electron-microscopy structures of both Drosophila and human 80S ribosomes. The increased complexity appears to result in additional layers of structure. These structures will drive experiments to understand the functional and evolutionary importance of these additions.

The voltage-dependent anion channel (VDAC), also known as mitochondrial porin, is the most abundant protein in the mitochondrial outer membrane (MOM). VDAC is the channel known to guide the metabolic flux across the MOM and plays a key role in mitochondrially induced apoptosis. Here, we present the 3D structure of human VDAC1, which was solved conjointly by NMR spectroscopy and x-ray crystallography. Human VDAC1 (hVDAC1) adopts a β-barrel architecture composed of 19 β-strands with an α-helix located horizontally midway within the pore. Bioinformatic analysis indicates that this channel architecture is common to all VDAC proteins and is adopted by the general import pore TOM40 of mammals, which is also located in the MOM.

Abstract Summary: Modern structural genomics projects demand for integrated methods for the interpretation and storage of nuclear magnetic resonance (NMR) data. Here we present version 2.1 of our program ARIA (Ambiguous Restraints for Iterative Assignment) for automated assignment of nuclear Overhauser enhancement (NOE) data and NMR structure calculation. We report on recent developments, most notably a graphical user interface, and the incorporation of the object-oriented data model of the Collaborative Computing Project for NMR (CCPN). The CCPN data model defines a storage model for NMR data, which greatly facilitates the transfer of data between different NMR software packages. Availability: A distribution with the source code of ARIA 2.1 is freely available at Contact: nilges@pasteur.fr

In the light of several ongoing structural genomics projects, faster and more reliable methods for structure calculation from NMR data are in great demand. The major bottleneck in the determination of solution NMR structures is the assignment of NOE peaks (nuclear Overhauser effect). Due to the high complexity of the assignment problem, most NOEs cannot be directly converted into unambiguous inter-proton distance restraints.We present version 1.2 of our program ARIA (Ambiguous Restraints for Iterative Assignment) for automated assignment of NOE data and NMR structure calculation. We summarize recent progress in correcting for spin diffusion with a relaxation matrix approach, representing non-bonded interactions in the force field and refining final structures in explicit solvent. We also discuss book-keeping, data exchange with spectra assignment programs and deposition of the analysed experimental data to the databases.ARIA 1.2 is available from: http://www.pasteur.fr/recherche/unites/Binfs/aria/.XML DTDs (for chemical shifts and NOE crosspeaks), Python scripts for the conversion of various NMR data formats and the results of example calculations using data from the S. cerevisiae HRDC domain are available from: http://www.pasteur.fr/recherche/unites/Binfs/aria/

Macromolecular structures calculated from nuclear magnetic resonance data are not fully determined by experimental data but depend on subjective choices in data treatment and parameter settings. This makes it difficult to objectively judge the precision of the structures. We used Bayesian inference to derive a probability distribution that represents the unknown structure and its precision. This probability distribution also determines additional unknowns, such as theory parameters, that previously had to be chosen empirically. We implemented this approach by using Markov chain Monte Carlo techniques. Our method provides an objective figure of merit and improves structural quality.

High-throughput chromosome conformation capture (Hi-C) experiments are typically performed on a large population of cells and therefore only yield average numbers of genomic contacts. Nevertheless population Hi-C data are often interpreted in terms of a single genomic structure, which ignores all cell-to-cell variability. We propose a probabilistic, statistically rigorous method to infer chromatin structure ensembles from population Hi-C data that takes the ensemble nature of the data explicitly into account and allows us to infer the number of structures required to explain the data.

Abstract Phage therapy has recently regained attention at combating multidrug-resistant bacteria. In 2019, tailed bacteriophages of the Siphoviridae family were engineered to successfully treat a disseminated bacterial infection after all other drugs had failed.( 1 ) This family of phages features a long, flexible, non-contractile tail that has been difficult to characterize structurally. Here, we present the atomic structure of the tail-tube of the bacteriophage SPP1 – a member of this family. Our hybrid structure is based on the integration of structural restraints from solid-state NMR and a density map from cryo-EM. We show that the tail tube protein (TTP) gp17.1 organizes into hexameric rings that are stacked by flexible linker domains and, thus, form a hollow flexible tube with a negatively charged lumen suitable for the transport of DNA. One sentence summary Integrative structural biology by solid-state NMR and cryo-EM enables structure determination of the flexible tail of the bacteriophage SPP1.

Hidden Markov Model (HMM) inference for time-series data from ion channels or other biomolecules is challenging. We argue that inference on partially observed chemical reaction networks (CRNs) suffers from practical parameter non-identifiability (non-PI) that often goes unnoticed in maximum likelihood (ML) inferences. Limitations in the signal bandwidth and a poor signal-to-noise ratio only add to the non-PI problem. We study the role of the prior distribution in the face of non-PI. In particular, we advocate using minimally informative (MI) priors and additional restrictions on the parameter space that can be derived from physical considerations. Using patch clamp (PC) ion-channel measurements as a prototypical time series, we demonstrate Bayesian strategies for alleviating non-PI problems with sharpened prior information. In Bayesian statistics, the prior can substantially modulate the posterior. We demonstrate that non-PI can be severely harmful when using uniform priors on the rate matrix of HMMs, which are implicitly assumed in ML. We show that MI priors enable meaningful HMM inference with data whose quality can be one to two orders of magnitude worse than required to reach the same accuracy with uniform priors. However, we also demonstrate that non-PI pathologies can persist even with a prior MI. In this case, the MI prior alleviates but does not entirely resolve the problem of improper posteriors. For complex HMMs, stronger prior assumptions are needed to render the posterior proper. We propose to confine the parameters to a sampling box whose limits are physically reasonable and derived from theory. This fusion of data and physical information allows for meaningful inferences even for the most complex HMM with data of the lowest quality that we tested. However, hard theoretical limits, such as diffusion-limited binding rates, are rarely available. As an alternative, we test a vague prior on the ratios of each pair of binding rates and additionally unbinding rates, thereby softly linking them. This implicitly assumes finite cooperativity and introduces a bias towards non-cooperativity. However, in contrast to the standard practice of choosing equal chemical rates, which supposes strict non-cooperativity, this additional prior still allows for cooperativity. Despite its vagueness, our prior renders the posterior either proper in a strict sense or sufficiently proper for all data sets we considered without imposing the assumption of non-cooperativity. Hence, our approach can infer how likely different degrees of cooperativity are. Combining theoretical upper limits and vague finite cooperativity assumptions dramatically improves inferences.

Intracellular trafficking depends on the function of Rab GTPases, whose activation is regulated by guanine exchange factors (GEFs). The Rab5 GEF, Rabex5, was previously proposed to be auto-inhibited by its C-terminus. Here, we studied full-length Rabex5 and Rabaptin5 proteins as well as domain deletion Rabex5 mutants using hydrogen deuterium exchange mass spectrometry. We generated a structural model of Rabex5, using chemical crosslinking mass spectrometry and integrative modeling techniques. Our results are inconsistent with the previous model of auto-inhibition. By correlating structural changes with nucleotide exchange activity for each construct, we uncovered new auto-regulatory roles for the Ubiquitin binding domains and the Linker connecting those domains to the catalytic core of Rabex5. Our results suggest a more complex auto-regulation mechanism than previously thought and imply that Ubiquitin binding serves not only to position Rabex5 but to also control its Rab5 GEF activity through allosteric structural alterations.

In a regression task, a function is learned from labeled data to predict the labels at new data points. The goal is to achieve small prediction errors. In symbolic regression, the goal is more ambitious, namely, to learn an interpretable function that makes small prediction errors. This additional goal largely rules out the standard approach used in regression, that is, reducing the learning problem to learning parameters of an expansion of basis functions by optimization. Instead, symbolic regression methods search for a good solution in a space of symbolic expressions. To cope with the typically vast search space, most symbolic regression methods make implicit, or sometimes even explicit, assumptions about its structure. Here, we argue that the only obvious structure of the search space is that it contains small expressions, that is, expressions that can be decomposed into a few subexpressions. We show that systematically searching spaces of small expressions finds solutions that are more accurate and more robust against noise than those obtained by state-of-the-art symbolic regression methods. In particular, systematic search outperforms state-of-the-art symbolic regressors in terms of its ability to recover the true underlying symbolic expressions on established benchmark data sets.