Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Biology
Click here for the English version

Biology

Realistisk membranmodellering med hjälp av komplexa lipidblandningar i simuleringsstudier

Published: September 1, 2023 doi: 10.3791/65712
Automatic Translation
1, 2, 1, 1
1Department of Chemical and Biological Engineering, State University of New York at Buffalo, 2Department of Mathematics, State University of New York at Buffalo

Summary

Membranlipiddiversitet i struktur och sammansättning är en viktig bidragsgivare till cellulära processer och kan vara en markör för sjukdom. Molekyldynamiksimuleringar gör det möjligt för oss att studera membran och deras interaktioner med biomolekyler med atomistisk upplösning. Här tillhandahåller vi ett protokoll för att bygga, köra och analysera komplexa membransystem.

Abstract

Lipider är strukturella byggstenar i cellmembran; Lipidarter varierar mellan cellorganeller och mellan organismer. Denna variation resulterar i olika mekaniska och strukturella egenskaper i membranet som direkt påverkar de molekyler och processer som sker vid detta gränsskikt. Lipidsammansättningen är dynamisk och kan tjäna till att modulera cellsignaleringsprocesser. Beräkningsmetoder används i allt högre grad för att förutsäga interaktioner mellan biomolekyler och ge molekylära insikter till experimentella observabler. Molekyldynamik (MD) är en teknik baserad på statistisk mekanik som förutsäger atomers rörelse baserat på de krafter som verkar på dem. MD-simuleringar kan användas för att karakterisera interaktionen mellan biomolekyler. Här introducerar vi kortfattat tekniken, beskriver praktiska steg för nybörjare som är intresserade av att simulera lipiddubbellager, demonstrerar protokollet med nybörjarvänlig programvara och diskuterar alternativ, utmaningar och viktiga överväganden i processen. Speciellt betonar vi relevansen av att använda komplexa lipidblandningar för att modellera ett cellmembran av intresse för att fånga lämpliga hydrofoba och mekaniska miljöer i simulering. Vi diskuterar också några exempel där membransammansättning och egenskaper modulerar interaktionen mellan dubbellager och andra biomolekyler.

Introduction

Lipider är viktiga beståndsdelar i membran, som ger gränser för celler och möjliggör intracellulär kompartmentalisering 1,2,3. Lipider är amfifila, med en polär huvudgrupp och två hydrofoba fettsyrasvansar; Dessa självorganiserar sig i ett tvåskikt för att minimera kontakten mellan de hydrofoba kedjorna och vatten 3,4. Olika kombinationer av hydrofila huvudgrupper och hydrofoba svansar resulterar i olika klasser av lipider i biologiska membran, såsom glycerofosfolipider, sfingolipider och steroler (Figur 1)1,5,6. Glycerofosfolipider är primära byggstenar i eukaryota cellmembran som består av glycerofosfat, långkedjiga fettsyror och huvudgrupper med låg molekylvikt7. Lipidnomenklaturen baseras på skillnader i huvudgrupper; Exempel på detta är fosfatidylkolin (PC), fosfatidyletanolamin (PE), fosfatidylserin (PS), fosfatidylglycerol (PG), fosfatidylinositol (PI) eller omodifierad fosfatidinsyra (PA)5,6. När det gäller hydrofoba svansar varierar längden och mättnadsgraden, tillsammans med ryggradsstrukturen. De möjliga kombinationerna är många, vilket resulterar i tusentals lipidarter i däggdjursceller6. Förändringar i membranlipidsammansättningen leder till olika mekaniska och strukturella membranegenskaper som påverkar aktiviteten hos både integrerade membranproteiner och perifera proteiner 2,6.

Figure 1
Figur 1. Representativa lipidstrukturer. Fettsyrasvansar visas i blå lådor, vanliga lipidhuvudgrupper i orange och provryggrad i lila. Klicka här för att se en större version av denna figur.

Lipider är aktiva aktörer i cellulära processer, proteinaktivering i signalkaskader och hälsosam cellhomeostas 8,9. Förändrad lipiddynamik är resultatet av infektion eller kan vara markörer för patogenes av sjukdom 10,11,12,13,14,15. Som barriärer för cellen är studiet av membranlipider och deras roll i genomträngning av små molekyler av relevans för läkemedelsleveranssystem och membranstörningsmekanismer16,17. Kemisk mångfald och olika förhållanden av lipidarter mellan organeller, vävnader och organismer ger upphov till komplex membrandynamik2. Det är därför viktigt att behålla dessa egenskaper i modelleringsstudier av lipiddubbellager, särskilt när målet med en studie är att undersöka interaktioner mellan andra biomolekyler och membranet. Vilka lipidarter som ska beaktas i en modell beror på organismen och det cellulära facket av intresse. Till exempel är PG-lipider viktiga för elektronöverföring i fotosyntetisk bateria18, medan fosforylerade inositollipider (PIP) är viktiga aktörer i plasmamembrandynamik (PM) och signalkaskader i däggdjursceller 19,20. Inuti cellen innehåller PM, endoplasmatiskt retikulum (ER), GoLgi och mitokondriella membran unika lipidöverflöd som påverkar deras funktion. Till exempel är ER navet för lipidbiogenes och transporterar kolesterol ut till PM och Golgi; den innehåller en hög lipiddiversitet med ett överflöd av PC och PE, men lågt sterolinnehåll, vilket främjar membranfluiditet21,22,23,24. Däremot innehåller PM hundratals och till och med tusentals lipidarter beroende på organismen25, den innehåller höga halter av sfingolipider och kolesterol som ger den en karakteristisk styvhet jämfört med andra membran i cellen24. Bladasymmetri bör övervägas för membran som PM, som har en yttre broschyr rik på sfingomyelin, PC och kolesterol, och en inre broschyr rik på PE, PI och PS som är viktiga för signalkaskader24. Slutligen leder lipiddiversitet också till bildandet av mikrodomäner som skiljer sig åt i packning och inre ordning, kända som lipidflottar24,26; Dessa uppvisar lateral asymmetri, antas spela viktiga roller i cellulär signalering26 och är svåra att studera på grund av deras övergående natur.

Experimentella tekniker som fluoroskopi, spektroskopi och modellmembransystem som gigantiska unilamellära vesiklar (GUV) har använts för att undersöka interaktioner mellan biomolekyler och membran. Den komplexa och dynamiska karaktären hos de inblandade komponenterna är dock svår att fånga med enbart experimentella metoder. Till exempel finns det begränsningar för avbildning av transmembrandomäner av proteiner, komplexiteten hos membran som används i sådana studier och identifiering av intermediära eller övergående tillstånd under processen av intresse27,28,29. Sedan tillkomsten av molekylär simulering av lipidmonolager och dubbellager på 1980-talet29 kan lipid-proteinsystem och deras interaktioner nu kvantifieras på molekylär nivå. Simulering av molekyldynamik (MD) är en vanlig beräkningsteknik som förutsäger partiklars rörelse baserat på deras intermolekylära krafter. En additiv interaktionspotential beskriver de bundna och icke-bundna interaktionerna mellan partiklar i systemet30. Den uppsättning parametrar som används för att modellera dessa interaktioner kallas simuleringskraftfält (FF). Dessa parametrar erhålls från ab initio-beräkningar, semi-empiriska och kvantmekaniska beräkningar och optimeras för att reproducera data från röntgen- och elektrondiffraktionsexperiment, NMR, infraröd, Raman och neutronspektroskopi, bland andra metoder31.

MD-simuleringar kan användas för att studera system på olika upplösningsnivåer32,33,34. System som syftar till att karakterisera specifika biomolekylära interaktioner, vätebindningar och andra högupplösta detaljer studeras med simuleringar av alla atomer (AA). Grovkorniga (CG) simuleringar klumpar däremot ihop atomer i större funktionella grupper för att minska beräkningskostnaderna och undersöka dynamiken i större skala33. Mellan dessa två finns UA-simuleringar (united-atoms), där väteatomer kombineras med sina respektive tunga atomer för att påskynda beräkningen33,35. MD-simuleringar är ett kraftfullt verktyg för att utforska dynamiken hos lipidmembran och deras interaktioner med andra molekyler och kan tjäna till att tillhandahålla mekanismer på molekylär nivå för processer av intresse vid membrangränssnittet. Dessutom kan MD-simuleringar användas för att begränsa experimentella mål och förutsäga makromolekylära egenskaper hos ett givet system baserat på mikroskopiska interaktioner.

I korthet, givet en uppsättning initiala koordinater, hastigheter och en uppsättning villkor som konstant temperatur och tryck, beräknas positioner och hastigheter för varje partikel genom numerisk integration av interaktionspotentialen och Newtons rörelselag. Detta upprepas iterativt och genererar därmed en simuleringsbana30. Dessa beräkningar utförs med en MD-motor; bland flera paket med öppen källkod är GROMACS36 en av de mest använda motorerna och den vi beskriver här. Den innehåller också verktyg för analys och konstruktion av initiala koordinater för system som ska simuleras37. Andra MD-motorer inkluderar NAMD38; CHARMM39 och AMBER40, som användaren kan välja efter eget gottfinnande baserat på beräkningsprestanda för ett givet system. Det är viktigt att visualisera banorna under simuleringen samt för analys och tolkning av resultaten. En mängd olika verktyg finns tillgängliga; här diskuterar vi visuell molekyldynamik (VMD) som erbjuder ett brett utbud av funktioner, inklusive tredimensionell (3-D) visualisering med expansiva ritnings- och färgläggningsmetoder, volymetrisk datavisualisering, byggande, förberedelse och analys av banor för MD-simuleringssystem och banfilmsskapande utan begränsningar för systemstorlek, om minnet är tillgängligt41,42,43.

Noggrannheten i den förutsagda dynamiken mellan systemkomponenter påverkas direkt av den FF som valts för banans utbredning. Empiriska FF-parametriseringsinsatser bedrivs av ett fåtal forskargrupper. De mest etablerade och vanliga FF för MD inkluderar CHARMM39, AMBER 40, Martini44, OPLS 45 och SIRAH 46. Kraftfältet47 för additiv CHARMM36 (C36) med alla atomer används i stor utsträckning för AA MD av membransystem eftersom det exakt reproducerar experimentella strukturdata. Den utvecklades ursprungligen av CHARMM-communityt, och den är kompatibel med flera MD-motorer som GROMACS och NAMD. Trots förbättringar i vanliga FF finns det ett kontinuerligt arbete med att förbättra parameteruppsättningarna för att möjliggöra förutsägelser som nära reproducerar experimentella observerbara värden, drivet av intressen i vissa studiesystem48,49.

En utmaning vid simulering av lipidmembran är att bestämma längden på simuleringsbanan. Detta beror till stor del på de mätvärden som ska analyseras och den process som man vill karakterisera. Vanligtvis kräver komplexa lipidblandningar längre tid för att nå jämvikt, eftersom fler arter måste ha tillräckligt med tid för att diffundera på membranplanet och nå en stabil lateral organisation. En simulering sägs vara i jämvikt när egenskapen av intresse har nått en platå och fluktuerar kring ett konstant värde. Det är vanligt att erhålla minst 100-200 ns jämviktsbana för att utföra lämplig statistisk analys av egenskaper och interaktioner av intresse. Det är vanligt att köra membransimuleringar mellan 200-500 ns, beroende på lipidblandningens komplexitet och frågeställning. Protein-lipidinteraktioner kräver vanligtvis längre simuleringstider, mellan 500-2000 ns. Några metoder för att påskynda provtagning och observerbar dynamik med membransystem är: (i) den mycket rörliga membranmimetiska (HMMM) modellen, som ersätter ändkol av lipider i membranet med organiskt lösningsmedel för att påskynda provtagning50; och (ii) vätemassepartitionering (HMR), som kombinerar en bråkdel av massan av tunga atomer i ett system med massan av väteatomer för att möjliggöra användning av ett större simuleringstidssteg51.

Följande protokoll beskriver en nybörjarvänlig metod för att bygga, köra och analysera realistiska membranmodeller med hjälp av AA MD. Med tanke på MD-simuleringarnas karaktär måste flera trajektorier köras för att ta hänsyn till reproducerbarhet och korrekt statistisk analys av resultaten. Det är aktuell praxis att köra minst tre repliker per system av intresse. När lipidarterna har valts ut för organismen och processen av intresse, beskrivs och sammanfattas grundläggande steg för att bygga, köra och analysera en simuleringsbana för ett membransystem i figur 2.

Figure 2
Figur 2. Schematisk för att köra MD-simuleringar. Orange rutor motsvarar de tre huvudstegen som beskrivs i protokollet. Nedanför finns arbetsflödet för simuleringsprocessen. Under systeminstallationen byggs systemet som innehåller de initiala koordinaterna för ett löst membransystem med en systemingångsgenerator som CHARMM-GUI Membrane Builder. Efter att ha överfört indatafilerna till ett högpresterande datorkluster sprids simuleringsbanan med hjälp av en MD-motor, till exempel GROMACS. Bananalys kan göras på datorklustret eller en lokal arbetsstation tillsammans med visualisering. Analysen utförs sedan antingen med hjälp av paket med inbyggd analyskod som GROMACS och VMD, eller med hjälp av Bash-skript eller olika Python-bibliotek. Klicka här för att se en större version av denna figur.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Bygga systemkoordinaterna

  1. Navigera till CHARMM-GUI.org (C-GUI) med en web webbläsare. På toppmenyn navigerar du till Input Generator och väljer sedan Membrane Builder från de vertikala alternativen till vänster på skärmen.
  2. Om du vill skapa ett dubbellager väljer du Bilayer Builder.
    OBS: Förstagångsanvändare måste aktivera sitt gratiskonto innan de bygger sin första uppsättning koordinater.
  3. Välj Endast membransystem. Spara det genererade JOB-ID:t för att hämta systemet och fortsätt där du slutade under processen om det behövs.
    1. Visualisera systemen under varje steg i byggprocessen genom att klicka på Visa struktur i rutan högst upp på sidan, eller genom att ladda ner den resulterande PDB-filen. Håll utkik efter saknade komponenter, misstag i den valda ingångslipidarten eller plåsterstorleken.
  4. Välj komponenterna i systemet.
    1. Välj alternativet Heterogen lipid , även om du bygger ett tvåkomponentslager; och välj sedan en rektangulär blocktyp .
    2. Välj 45 vattenmolekyler per lipid för hydratiseringsalternativet; Detta är tillräckligt för att säkerställa ett helt hydratiserat dubbellager.
    3. Ställ in längden på XY så att den baseras på antalet lipidkomponenter. Välj sedan antalet lipider som ska ingå för varje lipidart som bestäms före modellen. För fallstudien som diskuterades i nästa avsnitt byggdes en membranmodell med 600 lipider symmetriskt fördelade i två broschyrer. För att modellera ER hos eukaryota celler användes en blandning av 336 DOPC, 132 DPPE, 60 CHOL, 72 POPI-lipider för PI-modellen; och 330 DOPC, 126 DPPE, 54 CHOL, 66 POP och 24 DOPS lipider för PI-PS-modellen.
      OBS: C-GUI tillhandahåller ett bibliotek med lipidstrukturer att välja mellan; Klicka på bilderna bredvid artnamnet för dess kemiska struktur.
    4. Skriv önskat antal molekyler i det övre och nedre bipacksedeln i de två rutorna bredvid lipidnamnet. För fallstudien är en symmetrisk membrankomposition önskvärd - se till att det inte finns några fel om oöverträffat antal lipider i det övre och nedre bladet. Om asymmetri önskas, se till att det totala antalet lipider i varje bipacksedel är korrekt. För detaljer om hur man bygger asymmetriska bilager, se arbete av Park et al.52,53.
    5. Gå till toppen av listan över lipidarter och klicka på knappen Visa systeminfo. Montera komponenter och färdigställ systemet.
    6. Välj alternativet för att inkludera neutraliserande joner med hjälp av den avståndsbaserade algoritmen för snabbare konvergens54.
    7. Låt standardlösningskoncentrationen för KCl ligga kvar på 0,15 mM. Detta är en typisk saltkoncentration för att neutralisera simuleringsboxen för membranbilager.
      OBS: Om en annan koncentration ska användas, se till att klicka på knappen Beräkna lösningsmedelssammansättning efter att du har redigerat den.
  5. Välj simuleringsvillkor och inställningar.
    1. Välj CHARMM36m som FF-alternativ; Det används ofta för lipid- och proteinsimuleringar, men användaren kan välja andra alternativ som diskuteras i introduktionen.
    2. Välj GROMACS som MD-motor för att få exempelindatafiler i motsvarande format.
      OBS: GROMACS rekommenderas för nya användare eftersom det har flera onlineresurser, handledningar och forum för support. Användaren kan välja mellan flera MD-motorer för att utforska alternativ när det gäller simuleringsprestanda och kodsyntax.
    3. Välj ensemblen Constant Particle-Pressure-Temperature (NPT), den överlägset mest använda dynamiska ensemblen vid simulering av lipiddubbellager.
    4. Ställ in temperatur och tryck i Kelvin och bar till 303 K respektive 1 bar. Det är typiskt att ställa in temperaturen mellan 298 K och 310 K för studier av biologiska processer för att säkerställa ett dubbelskikt i vätskestörningstillståndet.
      OBS: Temperaturen beror på förhållandena i processen som ska simuleras och kan ändras efter behov. Beroende på lipidarterna i modellen ställer du in temperaturen så att den ligger över övergångstemperaturen för rena lipidkomponenter innan du kör simuleringen.
  6. Ladda ner de resulterande filerna och överför dem till datorklustret.
    1. Visualisera det slutliga systemet på valfri programvara, till exempel VMD eller PyMol, och inspektera för korrekt installation.
      OBS: Det är bra att kontrollera till exempel att det finns tillräckligt med vatten runt membranet så att lipider inte interagerar med bildatomer under simuleringen, och korrekt bladinställning (ett dubbellager utan utrymme eller vatten emellan).

2. Köra MD-simuleringar

  1. Ladda upp och packa upp filerna från C-GUI på ditt datorkluster. Navigera till Gromacs-katalogen . Skapa ett skript för avslappningsinlämning.
  2. Följ klustrets riktlinjer för formatet för ett överföringsskript.
    1. Kopiera kommandona i listan till precis ovanför # Production-kommentaren i README-filen till överföringsskriptet.
      OBS: Denna standard från C-GUI är en slinga som kör en 6-stegs relaxation av systemet. Om ett annat och väletablerat protokoll önskas, redigera det för att läsa koordinaterna som just byggts och laddats ner från C-GUI.
  3. Skicka relaxationsskriptet och bekräfta att alla utdatafiler har laddats ned för alla steg innan du går vidare till produktionskörningen. När du är klar, kontrollera om följande utdatafiler från GROMACS, genererade under 6-stegskörningen: *.log, *.tpr, *.gro, *.edr, *.trr / *.xtc
  4. Skapa ett skript för produktionskörning.
    1. Använd ett av exemplen gmx grompp och gmx mdrun kommandon från något av relaxationsstegen som mall.
    2. Innan du använder skriptet måste du skapa en *.mdp-fil som innehåller liknande simuleringsalternativ som den angivna step7_production.mdp-filen.
      OBS: De tillhandahållna standardalternativen är standard för membransimuleringar; Ditanser anges i nm och tid anges i pikosekunder eller antal steg (pikosekunder / integrationstidssteg). Uppdatera nsteps så att de körs upp till önskad simuleringslängd (detta är lika med dt * nsteps) och nst[x,v,f]out för att uppdatera datasparfrekvensen i antal integreringssteg. För fallstudien anger du nsteps till 250 000 000 för en simuleringslängd på 500 ns (simuleringstid/integrationssteg = 500 000 ps / 0,002 ps) och nst[x,v,f]out till 50 000 för att spara data var 100:e ps
  5. Innan du kör den faktiska simuleringen bör du köra benchmarkstudier för att fastställa den bästa användningen av resurser.
    1. Kör systemet i 1-2 ns med olika antal beräkningsnoder.
      OBS: ER-fallstudien lämnades in på UB center for computational research (CCR) högpresterande datorkluster55 för 2 ns, där prestandan testades för 1-10 noder.
    2. Jämför prestanda i ns/dag för varje inställning för att fastställa de optimala resurserna för körningen. Det är vanligt att välja antalet noder som resulterar i 75–80 % av maximal prestanda.
  6. Kör produktionskörningen.
    1. Kör varje system i tre exemplar för att säkerställa reproducerbarhet och utför statistisk analys av data.
    2. Utöka banan baserat på riktmärkena om den tillåtna kötiden för inlämning i beräkningsklustret tar slut. Använd kommandona gmx convert-tpr och sedan gmx mdrun för att fortsätta trajektoriesamlingen.
      OBS: Alternativen beskrivs i GROMACS-dokumentationen online (https://manual.gromacs.org/).
    3. För ett system med enbart membran, undersök om systemet har nått jämvikt genom att beräkna arean per lipid över tiden. Om den inte har gjort det, förläng simuleringsbanan.

3. Analysera banan

  1. Visualisera systemet innan du kör analys för att bestämma molekyler av intresse och del av banan som är avsedd för karakterisering.
  2. Komprimera råa banfiler (*.trr) genom att ändra filformatet till *.xtc och/eller hoppa över bildrutor för att minska filstorleken och underlätta effektivare överföring till den lokala stationen för visualisering och analys.
    OBS: För stora membransystem kan man välja att ta bort vatten från banan för att ytterligare minska filstorleken. Detta kan göras med indexfiler på GROMACS, TCL-skript på VMD eller Python-bibliotek som MDAnalysis och MDTraj.
  3. Utför valda analyser under den jämviktade delen av banan, som bestäms från tidsserien area-per-lipid.
    OBS: Se diskussionen för mer information om typiska membrananalyser och hur man kör dem.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

För att åskådliggöra användningen av protokollet och de resultat som kan erhållas diskuteras en jämförande studie för membranmodeller för det endoplasmatiska nätverket (ER). De två modellerna i denna studie var (i) PI-modellen, som innehåller de fyra främsta lipidarterna som finns i ER, och (ii) PI-PS-modellen, som tillsatte de anjoniska fosfatidylserinlipiderna (PS). Dessa modeller användes senare i en studie av ett virusprotein och hur det interagerar med membranet, intresset för PS har nämnts som viktigt för virusproteinets permeabiliseringsaktivitet23. För att inkorporera variation i lipidsvansstrukturer sattes membrankompositionerna som DOPC:DPPE:CHOL:POPI (56:22:10:12 mol%) och DOPC:DPPE:CHOL:POPI:DOPS (55:21:11:9:4 mol%).

Membranen genererades med CHARMM-GUI Membrane Builder. För att rymma de 4 olika lipidarterna och senare proteinet, ställdes de symmetriska membranen in för att innehålla 600 lipider/bipacksedel. De inställningar som rekommenderas i protokollet användes, med en temperatur på 303 K. För att säkerställa oberoende repliker upprepades byggprocessen tre gånger för varje membranmodell, vilket resulterade i en annan slumpmässig blandning av lipider varje gång. Efter att ha byggt systemen flyttades indatafilerna till UB center for computational research (CCR) högpresterande datorkluster55 för att köra MD-simuleringar med GROMACS version 2020.5. Efter att 6-stegs relaxationsprotokollet hade slutförts utfördes benchmarking på endast ett system per modell (figur 3) eftersom antalet atomer är lika stort i alla repliker. 75 % av den maximala prestandan var ~78 ns/dag, vilket innebär att högst 6 noder begärdes i klustret för produktionskörningarna. Varje replik kördes i upp till 500 ns genom att ange nstep = 25 x 107 i *.mdp-filen och skicka tillägg till klustret efter behov baserat på riktmärkena.

Figure 3
Figur 3. Exempel på benchmark-körningar. Används för att bestämma PI-modellens prestanda (315 000 atomer). Klicka här för att se en större version av denna figur.

Arean per lipid (APL) för varje replika visas i figur 4. Detta beräknades från XY-dimensionerna för simuleringsboxen som lagrades i *edr-simuleringsutdatafilen från GROMACS med hjälp av det inbyggda energiprogrammet. Sedan dividerades den totala ytan med antalet totala lipider per broschyr för att ge en uppskattning av APL i varje modell. För alla system bestämdes jämvikt som den punkt där APL når en platå och fluktuerar kring ett konstant värde. I alla dessa system uppnås jämvikt inom de första 100 n-nivåerna av banan (se figur 4). Baserat på detta mått ansågs banor på 500 ns vara tillräckliga för dessa system. All annan analys på dessa dubbellager utfördes under de sista 400 n-banorna, den så kallade jämvikts- eller produktionsfasen. För att bestämma osäkerheten i varje beräknat värde rekommenderas blockmedelvärde var 10-20 ns. Från APL-analysen har PI-PS-membranmodellen i genomsnitt en 0,7 Å2 större yta än PI-modellen.

Figure 4
Figur 4. Exempel på area per lipid. (A) PI- och (B) PI-PS-modeller. Replikera 1, replikera 2 och replikera 3 för varje modell visas i rött, blått och grönt. Jämvikt för alla system sker inom de första 100 ns. Osäkerheten anges som medelvärdets medelfel (SEM). Klicka här för att se en större version av denna figur.

Dessutom presenteras två enkla analyser av membranstruktur. Figur 5 visar membrantjockleken, uppskattad av avståndet mellan fosfatatomernas fosfatatomers centrum (COM) i de övre och nedre bladen. Detta beräknades med hjälp av distansprogrammet i GROMACS, som kräver en indexfil som listar två atomgrupper, en för fosfatgrupperna i det övre bladet och en annan grupp för de i det nedre bladet. Resultaten visar en statistisk skillnad mellan tjockleken på de två membranmodellerna, vilket illustrerar ett omvänt samband mellan APL och membrantjocklek. Slutligen visar figur 6 deuteriumordningsparametrarna för varje lipidart, ett mått som kvantifierar ordningen på lipidsvansar inom den tvålagers hydrofoba kärnan56. Fettsyrasvansar klassificeras som sn1, den som är bunden till det terminala syret i glycerolryggraden, och sn2, fäst vid det centrala syret i glycerolgruppen. Resultaten visar att det är liten eller ingen skillnad mellan ordningen på lipidsvansar mellan modellerna, förutom DPPE som visar en liten ökning av ordningen för sn1-svansen i PI-modellen.

Figure 5
Figur 5. Exempel på membrantjocklek. (A) PI- och (B) PI-PS-modeller. Replikera 1, replikera 2 och replikera 3 för varje modell visas i rött, blått och grönt. Osäkerheten anges som medelvärdets medelfel (SEM). Klicka här för att se en större version av denna figur.

Figure 6
Figur 6. Exempel på parametrar för deuteriumorder. A) DOPC, B) DPPE, C) POP och D) DOPS-lipider. Heldragna linjer för sn1, streckade linjer för sn2, PI-modell i rött och PI-PS-modell i blått. Osäkerheten anges som medelvärdets medelfel (SEM). Klicka här för att se en större version av denna figur.

Komplexa membranmodeller kan användas för att studera relevansen av specifika lipidarter och hur dessa modulerar interaktioner mellan biomolekyler och membranet. Provstudier från labbet visar: (1) membransammansättning modulerar interaktionen mellan proteiner19, och (2) lipidsvansmättnad och membranytladdningspåverkan genomträngning och lateral organisation av små molekyler17,57. Med hjälp av det protokoll som beskrivs ovan och liknande analys som den som presenterats i tidigare stycken, ger arbetet av Li et al. insikter från experiment och simulering om samspelet mellan D112, ett potentiellt fotodynamiskt terapimedel, och olika lipidblandningar17. Ett dubbelskikt med PC- och PS-lipider undersöktes i ett experiment för att karakterisera D112-partitionering i dubbelskiktet. Vi utförde simuleringar av olika ransoner av PC- och PS-lipider, med varierande fettsyrasvanslängder och mättnad, dvs antal dubbelbindningar, för att bestämma effekten av ytladdning och hydrofob miljö på D112-membraninteraktion. Medan elektrostatiska interaktioner driver initial bindning av D112 till anjoniska PS-lipider, drar hydrofoba interaktioner molekylen in i membrankärnan via två möjliga mekanismer (se figur 7A-B). Inuti membranet lokaliseras D112 företrädesvis till PC-rika domäner, antingen som en monomer eller dimer.

Figure 7
Figur 7. Ytterligare provsystem enligt det presenterade protokollet. Simuleringar av D112 med modellmembran som identifierar två insättningsmekanismer: (A) harpun och (B) flip; C) Orientering av D112-dimerer. och (D) lateral fördelning av D112-molekyler (blå konturkartor) på en membranmodell med avseende på laddade lipider (orange kluster). Hela studien finns i 17. Klicka här för att se en större version av denna figur.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Experimentella tekniker kan visualisera biomolekyler med hög upplösning med hjälp av kryoelektronmikroskopi (cryo-EM)58, fluorescenstekniker och atomkraftsmikroskopi (AFM)59. Det är dock utmanande att fånga samspelet och dynamiken i molekylära interaktioner som ligger till grund för biologiska vägar, sjukdomspatogenes och terapeutisk leverans på atom- eller aminosyranivå. Här diskuterades MD-simuleringars möjligheter att studera lipidmembran och de viktigaste stegen för att designa, bygga, köra och analysera dessa system. Fördelen med denna beräkningsmetod är de atomistiska detaljerna och underliggande ekvationer som modellerar molekylära interaktioner för att föreslå och karakterisera molekylära mekanismer vid membrangränssnittet.

Ett kritiskt steg vid simulering av cellmembran är en gedigen förståelse för det biologiska system som ska studeras. Vilka lipidarter som ska inkluderas beror på organismen, cellfacket och, viktigast av allt, den process som ska studeras. Simuleringar med symmetriska membran är en bra utgångspunkt för nybörjare inom MD. Asymmetri, även om det är en känd egenskap hos membran som PM, medför potentiella svårigheter eftersom det krävs längre simuleringstider för att korrekt ta prov på lateral diffusion och utbyte av steroler mellan broschyrer. Asymmetrin introducerar också en obalans i APL för varje bipacksedel som måste behandlas noggrant i simulering52,53. Ett annat viktigt steg är att bestämma storleken på membranplåstret som ska simuleras, vilket beror på lipidblandningens komplexitet och de beräkningsresurser som finns tillgängliga. Större membranplåster tar längre beräkningstid, vilket kanske inte alltid är möjligt. En storlek på minst 150 lipider/bipacksedel för homogena eller binära system, och upp till 600 lipider/bipacksedel för mer komplexa sammansättningar rekommenderas. Om membranmodellen används för protein-membranstudier är en bra tumregel att göra en membranplåster som rymmer mellan 2-3 gånger den längsta dimensionen av proteinet. Vid undersökning av små molekyler bör täckningen av plåsterstorleken ligga under 30%-40% för att undvika ändliga storlekseffekter. Beroende på måttet för att bestämma jämvikt kan komplexa lipidblandningar lätt kräva minst 3 gånger längre simuleringstider jämfört med rena lipid- eller binära blandningar.

Det finns flera alternativ för att ställa in de initiala koordinaterna för biomolekylära simuleringar. Vanliga programvarupaket inkluderar GROMACS36, VMD 42, PACKMOL60, Moltemplate 61 och CHARMM-GUI 62. C-GUI är en webbaserad plattform som är utformad för att underlätta byggandet av dessa system, med en mängd olika molekyler i sitt lipidbibliotek. Den tillhandahåller indatafiler för olika MD-motorer och kraftfältsparametrar, vilket gör den till en utmärkt utgångspunkt för nybörjare. Under uppbyggnadsstegen ger C-GUI uppskattningar av arean per lipid för enskilda lipidarter. Det är användbart att öka denna uppskattning med 10%-15% när man bygger komplexa lipidblandningar (5+ arter), särskilt om man använder steroler i modellen. Om en lipid av intresse inte hittas i C-GUI-biblioteket kan man använda en nära lipidstruktur som platshållare och sedan modifiera strukturen med hjälp av VMD- eller Python-skript efter att ha byggt och initialt relaxerat systemet. Eftersom C36m är ett additivt kraftfält63 behövs vanligtvis ingen omparametrisering för den uppdaterade lipidstrukturen, förutsatt att alla atomtyper i den nya molekylen finns i kraftfältet. Det bör noteras att inte alla alternativ som finns tillgängliga på C-GUI har täckts av detta protokoll, men de som är relevanta för nybörjare och de som är i linje med gängse praxis på området har visats; Avancerade alternativ har tagits upp och publicerats av utvecklarna54,62,64.

Simuleringsförhållanden som termodynamisk ensemble, temperatur och tryck beror på studiens karaktär. För detta protokoll behölls villkoren som standard i C-GUI, vilket är typiskt för membransimuleringar i vätskefasen. Gelfasen är inte önskvärd för modellering av biologiska membran, den sker under lipidernas övergångstemperatur, och den är lätt att känna igen genom den parallella inriktningen av lipidsvansar i en vinkel. Detta kan ändras för olika studiemål eller beroende på experiment från medarbetarna, om sådana finns. Under MD-körningarna inkluderar typiska inställningar för membrandubbellager: (1) 1-4 fs tidssteg för AA MD för att fånga de snabbaste vibrationsrörelserna av väte-syrebindningar65; vanligtvis används 2 fs för produktion, men 1 fs används under relaxations- och minimeringssteg, och 4 fs kan användas om HMR51 används; (2) Datasparfrekvenser mellan 0,05 och 0,2 ns är vanligt förekommande. (3) Verlet cutoff scheme66, med en mjuk och hård cutoff på 1,0 och 1,2 nm för van der Waal-interaktioner. Att ställa in större gränsradie sänker simuleringsprestanda eftersom fler interaktioner beräknas mellan atompar. En större cutoff behövs dock för att beräkna de laterala tryckprofilerna, som vanligtvis kräver cutoffs på 2,0-2,4 nm; (4) particle mesh Edward (PME) schema67 med en cutoff på 1,2 nm används för elektrostatiska interaktioner med lång räckvidd; (5) LINCS-algoritmen68 används i GROMACS för att begränsa vätebindningar; (6) En vanlig tryckregulator är Parrinello-Rahman-barostaten som används semiisotropt för dubbellager. (7) en vanlig temperaturregulator är Nose-Hoover-termostaten. Observera att det finns flera typer av barostater och termostater som kan användas i simulering och beror på studiens karaktär69.

APL, membrantjocklek och sterolvippa är vanliga mått för att avgöra om ett system har nått termisk jämvikt, vilket kan variera från 50 ns för rena dubbellager till 4000 ns för komplexa asymmetriska blandningar beroende på vilket mått som väljs. Analys av de mekaniska, strukturella och dynamiska egenskaperna hos dubbelskiktet bör beräknas efter att jämvikt har uppnåtts, dvs. när den intressanta egenskapen når en platå och fluktuerar med avseende på ett medelvärde. Den jämviktade delen av banan, även känd som produktionsfasen, bör vara minst 100 ns lång för korrekt statistisk analys och uppskattningar av osäkerhet. Vanliga membranegenskaper som kan beräknas från simulering inkluderar, men är inte begränsade till, deuteriumordningsparametrar, elektrontäthetsprofiler, radiella fördelningsfunktioner, lutningsvinklar för lipidsvansarna eller huvudgrupperna, kompressibilitetsmodul, relaxationstider för lipidrotation, böjningsmodul, laterala tryckprofiler, lipidklustermönster och vattendynamik nära membrangränssnittet35,70, 71; I en översikt av Moradi m.fl. beskrivs några av dessa mer detaljerat70. Dessa analyser kan utföras med inbyggda analysverktyg från GROMACS och VMD, eller med hjälp av Python-, Bash- eller TCL-skript. Det finns också många Python-bibliotek med öppen källkod som MDAnalysis 72,73, MDTraj 74, Pysimm 75, Pyemma 76 och PyLipID 77 som underlättar analysen av simuleringsbanor.

Detta protokoll är inriktat på en all-atom-metod, vilket är beräkningskrävande om målet med en studie är att karakterisera dynamiken hos stora proteiner som interagerar med stora membranfläckar. Icke desto mindre har ökad beräkningskraft och användning av grafikprocessorer (GPU:er) gynnat simuleringar av större system. MD-simuleringar kräver tillräckligt med sampling av systemkonformationer för att beräkna medelvärden för egenskaper som korrekt återger experimentella värden. Realistisk membranmodellering syftar till att reproducera en exakt mekanisk och strukturell miljö för det cellmembran som är av intresse, vilket direkt påverkar interaktionen mellan andra biomolekyler och underlättar provtagning av sällsynta händelser78,79,80. När man tolkar data måste man vara noga med att validera observationer med experimentella trender eller faktiska värden för liknande system för att verifiera att modellsystemen inte bara är en artefakt av simuleringen eller utgör ofysiologiska händelser78. Sammanfattningsvis är MD-simuleringar en kraftfull modell för att undersöka molekylära interaktioner baserat på statistisk termodynamik. MD-simuleringar kan användas för att undersöka effekterna av lipiddiversitet på membranstrukturella och mekaniska egenskaper, vilket i sin tur resulterar i olika interaktioner med biomolekyler under cellulära processer. Protokollet ger ett nybörjarvänligt tillvägagångssätt för att designa, bygga, köra och analysera komplexa lipidmembransystem. Dessa steg används för att simulera system med enbart membran samt protein eller små molekyler nära membrangränssnittet.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Författarna har inga konkurrerande intressen att avslöja.

Acknowledgments

Författarna tackar Jinhui Li och Ricardo X. Ramirez för deras simuleringsbanor och diskussioner under skrivandet av detta manuskript. OC stöddes av University at Buffalo Presidential Fellowship och National Institute of Health's Initiative for Maximizing Student Development Training Grant 1T32GM144920-01 som tilldelades Margarita L. Dubocovich (PI).

Materials

Name Company Catalog Number Comments
Anaconda3 Anaconda Inc (Python & related libraries) N/A
CHARMM-GUI.org Im lab, Lehigh University N/A
GROMACS GROMACS development team N/A
Linux HPC Cluster UB CCR N/A
MATLAB MathWorks N/A
VMD Theoretical and Computational Biophysics Group N/A

DOWNLOAD MATERIALS LIST

References

  1. Vanni, S., Riccardi, L., Palermo, G., De Vivo, M. Structure and Dynamics of the Acyl Chains in the Membrane Trafficking and Enzymatic Processing of Lipids. Accounts of Chemical Research. 52 (11), 3087-3096 (2019).
  2. Harayama, T., Riezman, H. Understanding the diversity of membrane lipid composition. Nature Reviews Molecular Cell Biology. 19 (5), 281-296 (2018).
  3. Tanaka, M. Comprehensive Biophysics. Edward, H. . E. gelman , Elsevier. 261-272 (2012).
  4. Bruce Alberts, A. J., Julian Lewis,, Martin Raff,, Keith Roberts,, Peter Walter, Molecular Biology of the Cell. , Garland Science. (2002).
  5. Watson, H. Biological membranes. Essays in Biochemistry. 59, 43-69 (2015).
  6. Coskun, Ü, Simons, K. Cell Membranes: The Lipid Perspective. Structure. 19 (11), 1543-1548 (2011).
  7. Biobased Surfactants (Second Edition) eds. Douglas G, H. ayes, Daniel, K. Y., Solaiman,, Richard, D. , AOCS Press. 515-529 (2019).
  8. González-Rubio, P., Gautier, R., Etchebest, C., Fuchs, P. F. J. Amphipathic-Lipid-Packing-Sensor interactions with lipids assessed by atomistic molecular dynamics. Biochimica et Biophysica Acta (BBA) - Biomembranes. 1808, 2119-2127 (2011).
  9. Halbleib, K., et al. Activation of the Unfolded Protein Response by Lipid Bilayer Stress. Molecular Cell. 67, 673-684 (2017).
  10. Andreasen, M., Lorenzen, N., Otzen, D. Interactions between misfolded protein oligomers and membranes: A central topic in neurodegenerative diseases. Biochimica et Biophysica Acta (BBA) - Biomembranes. 1848 (9), 1897-1907 (2015).
  11. Calianese, D. C., Birge, R. B. Biology of phosphatidylserine (PS): basic physiology and implications in immunology, infectious disease, and cancer. Cell Commununication and Signaling. 18 (1), 41 (2020).
  12. Nieto-Garai, J. A., Contreras, F. X., Arboleya, A., Lorizate, M. Role of Protein-Lipid Interactions in Viral Entry. Advanced Biology. 6, 2101264 (2022).
  13. Mazzon, M., Mercer, J. Lipid interactions during virus entry and infection. Cell Microbiology. 16, 1493-1502 (2014).
  14. Colombelli, C., Aoun, M., Tiranti, V. Defective lipid metabolism in neurodegeneration with brain iron accumulation (NBIA) syndromes: not only a matter of iron. Journal of Inherited Metabolic Disease. 38 (1), 123-136 (2015).
  15. Saini-Chohan, H. K., Mitchell, R. W., Vaz, F. M., Zelinski, T., Hatch, G. M. Delineating the role of alterations in lipid metabolism to the pathogenesis of inherited skeletal and cardiac muscle disorders: Thematic Review Series: Genetics of Human Lipid Diseases. Journal of Lipid Research. 53 (1), 4-27 (2012).
  16. Martinotti, C., Ruiz-Perez, L., Deplazes, E., Mancera, R. L. Molecular Dynamics Simulation of Small Molecules Interacting with Biological Membranes. ChemPhysChem. 21 (14), 1486-1514 (2020).
  17. Li, J., Kalyanram, P., Rozati, S., Monje-Galvan, V., Gupta, A. Interaction of Cyanine-D112 with Binary Lipid Mixtures: Molecular Dynamics Simulation and Differential Scanning Calorimetry Study. ACS Omega. 7 (11), 9765-9774 (2022).
  18. Nagy, L., et al. Protein/Lipid Interaction in the Bacterial Photosynthetic Reaction Center: Phosphatidylcholine and Phosphatidylglycerol Modify the Free Energy Levels of the Quinones. Biochemistry. 43 (40), 12913-12923 (2004).
  19. Ramirez, R. X., Campbell, O., Pradhan, A. J., Atilla-Gokcumen, G. E., Monje-Galvan, V. Modeling the molecular fingerprint of protein-lipid interactions of MLKL on complex bilayers. Frontiers in Chemistry. 10, (2023).
  20. Dondelinger, Y., et al. MLKL Compromises Plasma Membrane Integrity by Binding to Phosphatidylinositol Phosphates. Cell Reports. 7 (4), 971-981 (2014).
  21. van Meer, G., Voelker, D. R., Feigenson, G. W. Membrane lipids: where they are and how they behave. Nature Reviews Molecular Cell Biology. 9 (2), 112-124 (2008).
  22. van Meer, G., de Kroon, A. I. P. M. Lipid map of the mammalian cell. Journal of Cell Science. 124 (1), 5 (2011).
  23. Lee, H. R., Lee, G. Y., You, D. G., Kim, H. K., Young, D. Y. Hepatitis C virus p7 induces membrane permeabilization by interacting with phosphatidylserine. International Journal of Molecular Sciences. 21 (3), 897 (2020).
  24. Casares, D., Escribá, P. V., Rosselló, C. A. Membrane Lipid Composition: Effect on Membrane and Organelle Structure, Function and Compartmentalization and Therapeutic Avenues. International Journal of Molecular Sciences. 20 (9), 2167 (2019).
  25. Marrink, S. J., et al. Computational Modeling of Realistic Cell Membranes. Chemical Reviews. 119 (9), 6184-6226 (2019).
  26. Janmey, P. A., Kinnunen, P. K. J. Biophysical properties of lipids and dynamic membranes. Trends in Cell Biology. 16 (10), 538-546 (2006).
  27. Brémaud, E., Favard, C., Muriaux, D. Deciphering the Assembly of Enveloped Viruses Using Model Lipid Membranes. Membranes. 12, 441 (2022).
  28. Campbell, O., Monje-Galvan, V. Protein-driven membrane remodeling: Molecular perspectives from Flaviviridae infections. Biophysical Journal. 122 (11), 1890-1899 (2022).
  29. Loschwitz, J., Olubiyi, O. O., Hub, J. S., Strodel, B., Poojari, C. S. Computer simulations of protein-membrane systems. Progress in molecular biology and translational science. 170, 273-403 (2020).
  30. Shell, M. S. Thermodynamics and Statistical Mechanics: An Integrated ApproachCambridge Series in Chemical Engineering. Scott Shell, M. , Cambridge University Press. 21-49 (2015).
  31. Yang, J., et al. Molecular Dynamic Simulation of Ni-Al Alloy-H2O Reactions Using the ReaxFF Reactive Force Field. ACS Omega. 8 (11), 9807-9814 (2023).
  32. Ingólfsson, H. I., Arnarez, C., Periole, X., Marrink, S. J. Computational 'microscopy' of cellular membranes. Journal of Cell Science. 129 (2), 257-268 (2016).
  33. Klauda, J. B. Perspective: Computational modeling of accurate cellular membranes with molecular resolution. The Journal of Chemical Physics. 149 (22), 220901 (2018).
  34. Chavent, M., Duncan, A. L., Sansom, M. S. P. Molecular dynamics simulations of membrane proteins and their interactions: from nanoscale to mesoscale. Current Opinion in Structural Biology. 40, 8-16 (2016).
  35. Khakbaz, P., Monje-Galvan, V., Zhuang, X., Klauda, J. B. Biogenesis of Fatty Acids, Lipids and Membranes. Otto Geiger, , Springer International Publishing. 1-19 (2017).
  36. Abraham, M. J., et al. GROMACS: High performance molecular simulations through multi-level parallelism from laptops to supercomputers. SoftwareX. 1, 19-25 (2015).
  37. Lemkul, J. A. From Proteins to Perturbed Hamiltonians: A Suite of Tutorials for the GROMACS-2018 Molecular Simulation Package. Living Journal of Computational Molecular Science. 1 (1), 5068 (2018).
  38. Phillips, J. C., et al. Scalable molecular dynamics on CPU and GPU architectures with NAMD. The Journal of Chemical Physics. 153 (4), 044130 (2020).
  39. Klauda, J. B., et al. Update of the CHARMM All-Atom Additive Force Field for Lipids: Validation on Six Lipid Types. The Journal of Physical Chemistry B. 114 (23), 7830-7843 (2010).
  40. Wang, J., Wolf, R. M., Caldwell, J. W., Kollman, P. A., Case, D. A. Development and testing of a general amber force field. Journal of Computational Chemistry. 25 (9), 1157-1174 (2004).
  41. John Stone, A. A., et al. Using VMD. , http://csbmb.beckman.illinois.edu/BIOP586C/vmd-tutorial-2011.pdf (2011).
  42. Humphrey, W., Dalke, A., Schulten, K. VMD: Visual molecular dynamics. Journal of Molecular Graphics. 14 (1), 33-38 (1996).
  43. Hsin, J., Arkhipov, A., Yin, Y., Stone, J. E., Schulten, K. Using VMD: An Introductory Tutorial. Current Protocols in Bioinformatics. 24 (1), 5.7.1-5.7.48 (2008).
  44. Souza, P. C. T., et al. Martini 3: a general purpose force field for coarse-grained molecular dynamics. Nature Methods. 18 (4), 382-388 (2021).
  45. Jorgensen, W. L., Maxwell, D. S., Tirado-Rives, J. Development and Testing of the OPLS All-Atom Force Field on Conformational Energetics and Properties of Organic Liquids. Journal of the American Chemical Society. 118 (45), 11225-11236 (1996).
  46. Machado, M. R., et al. The SIRAH 2.0 Force Field: Altius, Fortius, Citius. Journal of Chemical Theory and Computation. 15 (4), 2719-2733 (2019).
  47. Huang, J., et al. CHARMM36m: an improved force field for folded and intrinsically disordered proteins. Nature Methods. 14 (1), 71-73 (2017).
  48. Mu, J., Liu, H., Zhang, J., Luo, R., Chen, H. F. Recent Force Field Strategies for Intrinsically Disordered Proteins. Journal of Chemical Information and Modeling. 61 (3), 1037-1047 (2021).
  49. Inakollu, V. S. S., Geerke, D. P., Rowley, C. N., Yu, H. Polarisable force fields: what do they add in biomolecular simulations. Current Opinion in Structural Biology. 61, 182-190 (2020).
  50. Ohkubo, Y. Z., et al. Accelerating Membrane Insertion of Peripheral Proteins with a Novel Membrane Mimetic Model. Biophysical Journal. 102 (9), 2130-2139 (2012).
  51. Hopkins, C. W., Le Grand, S., Walker, R. C., Roitberg, A. E. Long-Time-Step Molecular Dynamics through Hydrogen Mass Repartitioning. Journal of Chemical Theory and Computation. 11 (4), 1864-1874 (2015).
  52. Park, S., Beaven, A. H., Klauda, J. B., Im, W. How Tolerant are Membrane Simulations with Mismatch in Area per Lipid between Leaflets. Journal of Chemical Theory and Computation. 11 (7), 3466-3477 (2015).
  53. Park, S., Im, W., Pastor, R. W. Developing initial conditions for simulations of asymmetric membranes: a practical recommendation. Biophysical Journal. 120 (22), 5041-5059 (2021).
  54. Wu, E. L., et al. CHARMM-GUI Membrane Builder toward realistic biological membrane simulations. Journal of Computational Chemistry. 35 (27), 1997-2004 (2014).
  55. Center for Computational Research, U.a.B.. CCR Facility Description. , https://ubir.buffalo.edu/xmlui/handle/10477/79221 (2019).
  56. Piggot, T. J., Allison, J. R., Sessions, R. B., Essex, J. W. On the Calculation of Acyl Chain Order Parameters from Lipid Simulations. Journal of Chemical Theory and Computation. 13 (11), 5683-5696 (2017).
  57. Li, J., Monje-Galvan, V. Effect of Glycone Diversity on the Interaction of Triterpenoid Saponins and Lipid Bilayers. ACS Applied Bio Materials. , (2023).
  58. Renaud, J. P., et al. Cryo-EM in drug discovery: achievements, limitations and prospects. Nature Reviews Drug Discovery. 17 (7), 471-492 (2018).
  59. Ando, T., Uchihashi, T., Kodera, N. High-Speed AFM and Applications to Biomolecular Systems. Annual Review of Biophysics. 42 (1), 393-414 (2013).
  60. Martínez, L., Andrade, R., Birgin, E. G., Martínez, J. M. PACKMOL: A package for building initial configurations for molecular dynamics simulations. Journal of Computational Chemistry. 30 (13), 2157-2164 (2009).
  61. Jewett, A. I., et al. Moltemplate: A Tool for Coarse-Grained Modeling of Complex Biological Matter and Soft Condensed Matter Physics. Journal of Molecular Biology. 433 (11), 166841 (2021).
  62. Jo, S., Kim, T., Iyer, V. G., Im, W. CHARMM-GUI: A web-based graphical user interface for CHARMM. Journal of Computational Chemistry. 29 (11), 1859-1865 (2008).
  63. Polêto, M. D., Lemkul, J. A. Integration of experimental data and use of automated fitting methods in developing protein force fields. Communications Chemistry. 5 (1), 38 (2022).
  64. Hynninen, A. P., Crowley, M. F. New faster CHARMM molecular dynamics engine. Journal of Computational Chemistry. 35 (5), 406-413 (2014).
  65. Kim, S. Issues on the Choice of a Proper Time Step in Molecular Dynamics. Physics Procedia. 53, 60-62 (2014).
  66. Grubmüller, H., Heller, H., Windemuth, A., Schulten, K. Generalized Verlet Algorithm for Efficient Molecular Dynamics Simulations with Long-range Interactions. Molecular Simulation. 6 (1-3), 121-142 (1991).
  67. Darden, T., York, D., Pedersen, L. Particle mesh Ewald: An N·log(N) method for Ewald sums in large systems. Journal of Chemical Physics. 98 (12), 10089-10092 (1993).
  68. Hepatitis C. , https://www.who.int/news-room/fact-sheets/detail/hepatitis-c (2021).
  69. Braun, E., et al. Best Practices for Foundations in Molecular Simulations [Article v1.0]. Living Journal of Computational Molecular Science. 1 (1), 5957 (2018).
  70. Moradi, S., Nowroozi, A., Shahlaei, M. Shedding light on the structural properties of lipid bilayers using molecular dynamics simulation: a review study. RSC Advances. 9 (8), 4644-4658 (2019).
  71. Monje-Galvan, V., Klauda, J. B. Modeling Yeast Organelle Membranes and How Lipid Diversity Influences Bilayer Properties. Biochemistry. 54 (45), 6852-6861 (2015).
  72. Michaud-Agrawal, N., Denning, E. J., Woolf, T. B., Beckstein, O. MDAnalysis: A toolkit for the analysis of molecular dynamics simulations. Journal of Computational Chemistry. 32 (10), 2319-2327 (2011).
  73. Gowers, R., et al. MDAnalysis: A Python Package for the Rapid Analysis of Molecular Dynamics Simulations. SciPy. , (2016).
  74. McGibbon, R. obert T., et al. MDTraj: A Modern Open Library for the Analysis of Molecular Dynamics Trajectories. Biophysical Journal. 109 (8), 1528-1532 (2015).
  75. Fortunato, M. E., Colina, C. M. pysimm: A python package for simulation of molecular systems. SoftwareX. 6, 7-12 (2017).
  76. Scherer, M. K., et al. PyEMMA 2: A Software Package for Estimation, Validation, and Analysis of Markov Models. Journal of Chemical Theory and Computation. 11 (11), 5525-5542 (2015).
  77. Song, W., et al. PyLipID: A Python Package for Analysis of Protein-Lipid Interactions from Molecular Dynamics Simulations. Journal of Chemical Theory and Computation. 18 (2), 1188-1201 (2022).
  78. Monje-Galvan, V., Klauda, J. B. Peripheral membrane proteins: Tying the knot between experiment and computation. Biochimica et Biophysica Acta (BBA) - Biomembranes. 1858 (7, Part B), 1584-1593 (2016).
  79. Monje-Galvan, V., Voth, G. A. Binding mechanism of the matrix domain of HIV-1 gag on lipid membranes. eLife. 9, e58621 (2020).
  80. Wang, B., Guo, C. Concentration-Dependent Effects of Cholesterol on the Dimerization of Amyloid-β Peptides in Lipid Bilayers. ACS Chemical Neuroscience. 13 (18), 2709-2718 (2022).

Tags

Realistisk membranmodellering Komplexa lipidblandningar Simuleringsstudier Cellmembran lipidarter Mekaniska egenskaper Strukturella egenskaper Membransammansättning Cellsignaleringsprocesser Beräkningsmetoder Biomolekylära interaktioner Molekyldynamik MD-simuleringar Lipiddubbellager Nybörjarvänlig programvara Hydrofob miljö Mekanisk miljö Membranegenskaper Biomolekylinteraktioner
Realistisk membranmodellering med hjälp av komplexa lipidblandningar i simuleringsstudier
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Campbell, O., Le, V., Aguirre, A.,… More

Campbell, O., Le, V., Aguirre, A., Monje-Galvan, V. Realistic Membrane Modeling Using Complex Lipid Mixtures in Simulation Studies. J. Vis. Exp. (199), e65712, doi:10.3791/65712 (2023).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter