Abstract Chemical and conformational changes underlie the functional cycles of proteins. Comparative crystallography can reveal these changes over time, over ligands, and over chemical and physical perturbations in atomic detail. A key difficulty, however, is that the resulting observations must be placed on the same scale by correcting for experimental factors. We recently introduced a Bayesian framework for correcting (scaling) X-ray diffraction data by combining deep learning with statistical priors informed by crystallographic theory. To scale comparative crystallography data, we here combine this framework with a multivariate statistical theory of comparative crystallography. By doing so, we find strong improvements in the detection of protein dynamics, element-specific anomalous signal, and the binding of drug fragments.

The current standard method for amino acid signal identification in protein NMR spectra is sequential assignment using triple-resonance experiments. Good software and elaborate heuristics exist, but the process remains laboriously manual. Machine learning does help, but its training databases need millions of samples that cover all relevant physics and every kind of instrumental artifact. In this communication, we offer a solution to this problem. We propose polyadic decompositions to store millions of simulated three-dimensional NMR spectra, on-the-fly generation of artifacts during training, a probabilistic way to incorporate prior and posterior information, and integration with the industry standard CcpNmr software framework. The resulting neural nets take [ 1 H, 13 C] slices of mixed pyruvate–labeled HNCA spectra (different CA signal shapes for different residue types) and return an amino acid probability table. In combination with primary sequence information, backbones of common proteins (GB1, MBP, and INMT) are rapidly assigned from just the HNCA spectrum.

Most X-ray sources are inherently polychromatic. Polychromatic (“pink”) X-rays provide an efficient way to conduct diffraction experiments as many more photons can be used and large regions of reciprocal space can be probed without sample rotation during exposure—ideal conditions for time-resolved applications. Analysis of such data is complicated, however, causing most X-ray facilities to discard > 99% of X-ray photons to obtain monochromatic data. Key challenges in analyzing polychromatic diffraction data include lattice searching, indexing and wavelength assignment, correction of measured intensities for wavelength-dependent effects, and deconvolution of harmonics. We recently described an algorithm, Careless, that can perform harmonic deconvolution and correct measured intensities for variation in wavelength when presented with integrated diffraction intensities and assigned wavelengths. Here, we present Laue-DIALS, an open-source software pipeline that indexes and integrates polychromatic diffraction data. Laue-DIALS is based on the dxtbx toolbox, which supports the DIALS software commonly used to process monochromatic data. As such, Laue-DIALS provides many of the same advantages: an open-source, modular, and extensible architecture, providing a robust basis for future development. We present benchmark results showing that Laue-DIALS, together with Careless, provides a suitable approach to the analysis of polychromatic diffraction data, including for time-resolved applications.

The voltage-dependent anion channel (VDAC) is a crucial mitochondrial protein that facilitates ion and metabolite exchange between mitochondria and the cytosol. Initially characterized over three decades ago, the structure of VDAC-1 was resolved in 2008, revealing a novel β-barrel protein architecture. This study presents the first room-temperature crystal structure of mouse VDAC-1 (mVDAC-1), which is a significant step toward understanding the channel’s gating mechanism. The new structure, obtained at a 3.3 Å resolution, demonstrates notable differences from the previously determined cryogenic structure, particularly in the loop regions, which may be critical for the transition between the ‘open’ and ‘closed’ states of VDAC-1. Comparative analysis of the root-mean-square deviation (R.M.S.D.) and B-factors between the cryogenic and room-temperature structures suggests that these conformational differences, although subtle, are important for VDAC’s functional transitions. The application of electric field-stimulated X-ray crystallography (EF-X) is proposed as a future direction to resolve the ‘closed’ state of VDAC-1 by inducing voltage-driven conformational changes in order to elucidate the dynamic gating mechanism of VDAC-1. Our findings have profound implications for understanding the molecular basis of VDAC’s role in mitochondrial function and its regulation under physiological conditions.