JoVE Journal > Biology
Summary
Abstract
Introduction
Protocol
Results
Discussion
Disclosures
Acknowledgements
Materials
References
Automatic Translation
Please note that all translations are automatically generated. Click here for the English version.
Biology

संरचना-आधारित सिमुलेशन और ट्रांसक्रिप्शन फैक्टर प्रोटीन आंदोलनों का नमूना परमाणु-स्केल से मोटे-दाने वाले प्रसार के लिए कदम उठाने से डीएनए के साथ

Published: March 01, 2022
doi:
10.3791/63406
, , , ,
1Beijing Computational Science Research Center, 2Shenzhen JL Computational Science and Applied Research Institute, 3School of Medical Informatics and Engineering,Xuzhou Medical University, 4Key Laboratory of Systems Biomedicine (Ministry of Education), Shanghai Center for Systems Biomedicine,Shanghai Jiao Tong University, 5Department of Physics and Astronomy,University of California, Irvine, 6Department of Chemistry,University of California, Irvine, 7NSF-Simons Center for Multiscale Cell Fate Research,University of California, Irvine

Summary

इस प्रोटोकॉल का लक्ष्य डीएनए के साथ प्रोटीन के एक आयामी प्रसार की संरचनात्मक गतिशीलता को प्रकट करना है, एक अनुकरणीय प्रणाली के रूप में एक संयंत्र प्रतिलेखन कारक WRKY डोमेन प्रोटीन का उपयोग करना। ऐसा करने के लिए, दोनों परमाणुवादी और मोटे दानेदार आणविक गतिशीलता सिमुलेशन के साथ-साथ व्यापक कम्प्यूटेशनल नमूने लागू किए गए हैं।

Abstract

डीएनए के साथ प्रतिलेखन कारक (टीएफ) प्रोटीन का एक आयामी (1-डी) स्लाइडिंग आनुवंशिक विनियमन के लिए लक्ष्य डीएनए साइट का पता लगाने के लिए टीएफ के प्रसार को सुविधाजनक बनाने के लिए आवश्यक है। टीएफ स्लाइडिंग या डीएनए पर कदम रखने के बेस-पेयर (बीपी) रिज़ॉल्यूशन का पता लगाना अभी भी प्रयोगात्मक रूप से चुनौतीपूर्ण है। हमने हाल ही में डीएनए के साथ एक छोटे से WRKY डोमेन TF प्रोटीन के सहज 1-bp कदम पर कब्जा करने वाले ऑल-एटम आणविक गतिशीलता (एमडी) सिमुलेशन का प्रदर्शन किया है। इस तरह के सिमुलेशन से प्राप्त 10 μs WRKY कदम पथ के आधार पर, यहां प्रोटोकॉल से पता चलता है कि 1-बीपी प्रोटीन स्टेपिंग के लिए मार्कोव स्टेट मॉडल (एमएसएम) का निर्माण करके, टीएफ-डीएनए सिस्टम के अधिक व्यापक संरचनात्मक नमूनों का संचालन कैसे किया जाए, जिसमें एमएसएम निर्माण के लिए सूक्ष्म और मैक्रो-राज्यों की विभिन्न संख्याओं का परीक्षण किया गया है। संरचनात्मक आधार के साथ डीएनए के साथ टीएफ प्रोटीन की प्रक्रियात्मक 1-डी प्रसारात्मक खोज की जांच करने के लिए, प्रोटोकॉल आगे दिखाता है कि सिस्टम के लंबे समय तक पैमाने की गतिशीलता का नमूना लेने के लिए मोटे-दाने (सीजी) एमडी सिमुलेशन का संचालन कैसे किया जाए। इस तरह के सीजी मॉडलिंग और सिमुलेशन विशेष रूप से दसियों माइक्रोसेकंड के ऊपर टीएफ प्रोटीन के प्रोसेसिव प्रसार गतियों पर प्रोटीन-डीएनए इलेक्ट्रोस्टैटिक प्रभावों को प्रकट करने के लिए उपयोगी हैं, उप-माइक्रोसेकंड की तुलना में माइक्रोसेकंड प्रोटीन स्टेपिंग गतियों की तुलना में सभी-परमाणु सिमुलेशन से पता चला है।

Introduction

प्रतिलेखन कारक (टीएफ) जीन प्रतिलेखन और संबंधित गतिविधियों को बांधने और विनियमित करने के लिए लक्ष्य डीएनए की खोजकरते हैं। तीन आयामी (3 डी) प्रसार के अलावा, टीएफ के सुविधाजनक प्रसार को लक्ष्य डीएनए खोज के लिए आवश्यक होने का सुझाव दिया गया है, जिसमें प्रोटीन एक-आयामी (1 डी) डीएनए के साथ स्लाइड या हॉप भी कर सकते हैं, या डीएनए 2,3,4,5,6,7 पर अंतर-खंडीय हस्तांतरण के साथ कूद सकते हैं।

हाल के एक अध्ययन में, हमने एक संयंत्र टीएफ पर दसियों माइक्रोसेकंड (μs) ऑल-एटम संतुलन आणविक गतिशीलता (एमडी) सिमुलेशन का आयोजन किया है – डीएनए8 पर WRKY डोमेन प्रोटीन। माइक्रोसेकंड के भीतर पॉली-ए डीएनए पर WRKY का एक पूरा 1-bp कदम कैप्चर किया गया है। डीएनए नाली और हाइड्रोजन बांड (एचबी) ब्रेकिंग-रिफॉर्मिंग गतिशीलता के साथ प्रोटीन के आंदोलनों को देखा गया है। जबकि इस तरह के प्रक्षेपवक्र एक नमूना पथ का प्रतिनिधित्व करता है, एक समग्र प्रोटीन कदम परिदृश्य अभी भी कमी है। यहां, हम दिखाते हैं कि निर्मित मार्कोव राज्य मॉडल (एमएसएम) के साथ शुरू में कैप्चर किए गए प्रोटीन स्टेपिंग पथ के आसपास कम्प्यूटेशनल नमूनों का विस्तार कैसे किया जाए, जिसे विभिन्न प्रकार के बायोमोलेक्यूलर सिस्टम का अनुकरण करने के लिए व्यापक रूप से लागू किया गया है, जिसमें पर्याप्त संरचनात्मक परिवर्तन और समय-पैमाने पर पृथक्करणशामिल हैं 9,10,11,12,13,14,15,16, 17,18,19. उद्देश्य एक चक्रीय चरण के लिए डीएनए के साथ टीएफ प्रोटीन प्रसार के संरचनात्मक पहनावा और मेटा-स्थिर राज्यों को प्रकट करना है।

जबकि उपरोक्त एमडी सिमुलेशन डीएनए पर 1 बीपी के लिए प्रोटीन आंदोलनों के परमाणु संकल्प का खुलासा करता है, एक ही उच्च-रिज़ॉल्यूशन पर डीएनए के साथ टीएफ के लंबे समय तक संसाधित प्रसार की संरचनात्मक गतिशीलता शायद ही सुलभ है। अवशेष स्तर पर मोटे दाने (सीजी) एमडी सिमुलेशन का संचालन हालांकि तकनीकी रूप से पहुंच योग्य है। सीजी सिमुलेशन समय पैमाने को प्रभावी ढंग से परमाणु सिमुलेशन 20,21,22,23,24,25,26,27,28,29 की तुलना में दसियों या सैकड़ों गुना अधिक समय तक बढ़ाया जा सकता है। यहां, हम ताकाडा लैब30 द्वारा विकसित कैफेमोल सॉफ़्टवेयर को लागू करके किए गए सीजी सिमुलेशन दिखाते हैं।

वर्तमान प्रोटोकॉल में, हम पॉली-ए डीएनए और एमएसएम निर्माण के साथ WRKY डोमेन प्रोटीन के परमाणु सिमुलेशन को पहले प्रस्तुत करते हैं, जो डीएनए के साथ केवल 1 बीपी के लिए प्रोटीन स्टेपिंग गतियों का नमूना लेने पर ध्यान केंद्रित करते हैं। फिर हम एक ही प्रोटीन-डीएनए प्रणाली के सीजी मॉडलिंग और सिमुलेशन प्रस्तुत करते हैं, जो डीएनए के साथ दसियों बीपीएस पर प्रोटीन प्रोसेसिव प्रसार के लिए कम्प्यूटेशनल नमूने का विस्तार करते हैं।

यहां, हम GROMACS 31,32,33 सॉफ़्टवेयर का उपयोग एमडी सिमुलेशन और MSMbuilder34 का संचालन करने के लिए नमूना संरचनात्मक स्नैपशॉट के लिए MSM का निर्माण करने के लिए करते हैं, साथ ही साथ बायोमोलेक्यूल्स की कल्पना करने के लिए VMD35 का उपयोग करते हैं। प्रोटोकॉल की आवश्यकता है कि उपयोगकर्ता ऊपर दिए गए सॉफ़्टवेयर को स्थापित करने और कार्यान्वित करने में सक्षम हो। कैफेमोल30 सॉफ़्टवेयर की स्थापना और कार्यान्वयन तब सीजी एमडी सिमुलेशन के संचालन के लिए आवश्यक है। प्रक्षेपवक्र और विज़ुअलाइज़ेशन के आगे के विश्लेषण भी VMD में आयोजित किए जाते हैं।

Protocol

1. परमाणु एमडी सिमुलेशन से मार्कोव राज्य मॉडल (MSM) का निर्माण सहज प्रोटीन कदम मार्ग और प्रारंभिक संरचनाओं संग्रह पहले से प्राप्त 10-μs ऑल-एटम एमडी प्रक्षेपवक्र8 का उपयोग करें ताकि 10000 फ?…

Representative Results

रोटेशन-युग्मित स्लाइडिंग या MSM निर्माण से WRKY के 1 bp कदमडीएनए पर सभी प्रोटीन संरचनाओं को अनुदैर्ध्य आंदोलन एक्स और डीएनए के साथ प्रोटीन कॉम के रोटेशन कोण के लिए मैप किया जाता है ( चित्रा 3 ए</str…

Discussion

यह काम यह पता लगाता है कि संरचना-आधारित कम्प्यूटेशनल सिमुलेशन और नमूने को डीएनए के साथ चलने वाले प्रतिलेखन कारक या टीएफ प्रोटीन को प्रकट करने के लिए कैसे किया जाए, न केवल कदम के परमाणु विस्तार पर, बल्कि ?…

Disclosures

The authors have nothing to disclose.

Acknowledgements

इस कार्य को NSFC अनुदान #11775016 और #11635002 द्वारा समर्थित किया गया है. जेवाई को एनएसएफ डीएमएस 1763272 के माध्यम से यूसीआई के सीएमसीएफ द्वारा समर्थित किया गया है और सिमंस फाउंडेशन अनुदान # 594598 और यूसीआई से स्टार्ट-अप फंड है। LTD को शंघाई #20ZR1425400 और #21JC1403100 के प्राकृतिक विज्ञान फाउंडेशन द्वारा समर्थित किया गया है। हम बीजिंग कम्प्यूटेशनल साइंस रिसर्च सेंटर (CSRC) से कम्प्यूटेशनल समर्थन को भी स्वीकार करते हैं।

Materials

CafeMol Kyoto University coarse-grained (CG) simulations
GROMACS University of Groningen Royal Institute of Technology Uppsala University molecular dynamics simulations software
Matlab MathWorks Numerical calculation software
MSMbuilder Stanford University build MSM
VMD UNIVERSITY OF ILLINOIS AT URBANA-CHAMPAIGN molecular visualization program
DOWNLOAD MATERIALS LIST

References

  1. Latchman, D. S. Transcription factors: an overview. The International Journal of Biochemistry & Cell Biology. 29 (12), 1305-1312 (1997).
  2. Berg, O. G., von Hippel, P. H. Selection of DNA binding sites by regulatory proteins. Statistical-mechanical theory and application to operators and promoters. Journal of Molecular Biology. 193 (4), 723-750 (1987).
  3. von Hippel, P. H., Berg, O. G. Facilitated target location in biological systems. The Journal of Biological Chemistry. 264 (2), 675-678 (1989).
  4. Halford, S. E., Marko, J. F. How do site-specific DNA-binding proteins find their targets. Nucleic Acids Research. 32 (10), 3040-3052 (2004).
  5. Slusky, M., Mirny, L. A. Kinetics of protein-DNA interaction: facilitated target location in sequence-dependent potential. Biophysical Journal. 87 (6), 4021-4035 (2004).
  6. Bauer, M., Metzler, R. Generalized facilitated diffusion model for DNA-binding proteins with search and recognition states. Biophysical Journal. 102 (10), 2321-2330 (2012).
  7. Shvets, A. A., Kochugaeva, M. P., Kolomeisky, A. B. Mechanisms of Protein Search for Targets on DNA: Theoretical Insights. Molecules. 23 (9), 2106 (2018).
  8. Dai, L., Xu, Y., Du, Z., Su, X. D., Yu, J. Revealing atomic-scale molecular diffusion of a plant-transcription factor WRKY domain protein along DNA. Proceedings of the National Academy of Sciences of the United States of America. 118 (23), 2102621118 (2021).
  9. Chodera, J. D., Singhal, N., Pande, V. S., Dill, K. A., Swope, W. C. Automatic discovery of metastable states for the construction of Markov models of macromolecular conformational dynamics. The Journal of Chemical Physics. 126 (15), 155101 (2007).
  10. Pan, A. C., Roux, B. Building Markov state models along pathways to determine free energies and rates of transitions. The Journal of Chemical Physics. 129 (6), 064107 (2008).
  11. Bowman, G. R., Huang, X., Pande, V. S. Using generalized ensemble simulations and Markov state models to identify conformational states. Methods. 49 (2), 197-201 (2009).
  12. Prinz, J. H., et al. Markov models of molecular kinetics: Generation and validation. The Journal of chemical physics. 134 (17), 174105 (2011).
  13. Chodera, J. D., Noé, F. Markov state models of biomolecular conformational dynamics. Current Opinion in Structural Biology. 25, 135-144 (2014).
  14. Malmstrom, R. D., Lee, C. T., Van Wart, A. T., Amaro, R. E. On the Application of Molecular-Dynamics Based Markov State Models to Functional Proteins. Journal of Chemical Theory and Computation. 10 (7), 2648-2657 (2014).
  15. Husic, B. E., Pande, V. S. Markov State Models: From an Art to a Science. Journal of the American Chemical Society. 140 (7), 2386-2396 (2018).
  16. Sittel, F., Stock, G. Perspective: Identification of collective variables and metastable states of protein dynamics. The Journal of chemical physics. 149 (15), 150901 (2018).
  17. Wang, W., Cao, S., Zhu, L., Huang, X. Constructing Markov State Models to elucidate the functional conformational changes of complex biomolecules. WIREs Computational Molecular Science. 8, 1343 (2018).
  18. Peng, S., et al. Target search and recognition mechanisms of glycosylase AlkD revealed by scanning FRET-FCS and Markov state models. Proceedings of the National Academy of Sciences of the United States of America. 117 (36), 21889-21895 (2020).
  19. Tian, J., Wang, L., Da, L. T. Atomic resolution of short-range sliding dynamics of thymine DNA glycosylase along DNA minor-groove for lesion recognition. Nucleic Acids Research. 49 (3), 1278-1293 (2021).
  20. Chu, J. -. W., Izveko, S., Voth, G. The multiscale challenge for biomolecular systems: coarse-grained modeling. Molecular Simulation. 32 (3-4), 211-218 (2006).
  21. Marrink, S. J., Risselada, H. J., Yefimov, S., Tieleman, D. P., De Vries, A. H. The MARTINI force field: coarse grained model for biomolecular simulations. The Journal of Physical Chemistry B. 111 (27), 7812-7824 (2007).
  22. Givaty, O., Levy, Y. Protein sliding along DNA: dynamics and structural characterization. Journal of Molecular Biology. 385 (4), 1087-1097 (2009).
  23. Khazanov, N., Levy, Y. Sliding of p53 along DNA can be modulated by its oligomeric state and by cross-talks between its constituent domains. Journal of Molecular Biology. 408 (2), 335-355 (2011).
  24. Riniker, S., Allison, J. R., van Gunsteren, W. F. On developing coarse-grained models for biomolecular simulation: a review. Physical Chemistry Chemical Physics : PCCP. 14 (36), 12423-12430 (2012).
  25. Kmiecik, S., et al. Coarse-Grained Protein Models and Their Applications. Chemical Reviews. 116 (14), 7898-7936 (2006).
  26. Bhattacherjee, A., Krepel, D., Levy, Y. Coarse-grained models for studying protein diffusion along DNA. WIREs Computational Molecular Science. 6, 515-531 (2016).
  27. Wang, J., et al. Machine Learning of Coarse-Grained Molecular Dynamics Force Fields. ACS Central Science. 5 (5), 755-767 (2019).
  28. Joshi, S. Y., Deshmukh, S. A. A review of advancements in coarse-grained molecular dynamics simulations. Molecular Simulation. 47 (10-11), 786-803 (2021).
  29. Bigman, L. S., Greenblatt, H. M., Levy, Y. What Are the Molecular Requirements for Protein Sliding along DNA. The Journal of Physical Chemistry B. 125 (12), 3119-3131 (2021).
  30. Kenzaki, H., et al. CafeMol: A Coarse-Grained Biomolecular Simulator for Simulating Proteins at Work. Journal of Chemical Theory and Computation. 7 (6), 1979-1989 (2011).
  31. Berendsen, H. J. C., vander Spoel, D., van Drunen, R. GROMACS: a message-passing parallel molecular dynamics implementation. Computer Physics Communications. 91 (1-3), 43-56 (1995).
  32. vander Spoel, D., et al. GROMACS: fast, flexible, and free. Journal of Computational Chemistry. 26 (16), 1701-1718 (2005).
  33. Abraham, M. J., et al. GROMACS: High performance molecular simulations through multi-level parallelism from laptops to supercomputers. SoftwareX. 1-2, 19-25 (2015).
  34. Harrigan, M. P., et al. MSMBuilder: Statistical Models for Biomolecular Dynamics. Biophysical journal. 112 (1), 10-15 (2017).
  35. Humphrey, W., Dalke, A., Schulten, K. VMD: visual molecular dynamics. Journal of Molecular Graphics. 14 (1), 33-38 (1996).
  36. Izrailev, S., et al. Steered Molecular Dynamics. Computational Molecular Dynamics: Challenges, Methods, Ideas. 4, 39-65 (1999).
  37. Schlitter, J., Engels, M., Krüger, P. Targeted molecular dynamics: a new approach for searching pathways of conformational transitions. Journal of Molecular Graphics. 12 (2), 84-89 (1994).
  38. Maragliano, L., Fischer, A., Vanden-Eijnden, E., Ciccotti, G. String method in collective variables: minimum free energy paths and isocommittor surfaces. The Journal of Chemical Physics. 125 (2), 24106 (2006).
  39. Weiss, D. R., Levitt, M. Can morphing methods predict intermediate structures. Journal of Molecular Biology. 385 (2), 665-674 (2009).
  40. Xu, Y. P., Xu, H., Wang, B., Su, X. D. Crystal structures of N-terminal WRKY transcription factors and DNA complexes. Protein. 11 (3), 208-213 (2020).
  41. Higham, D. J., Higham, N. J. MATLAB guide. Society for Industrial and Applied Mathematics. , (2016).
  42. Hartigan, J. A., Wong, M. A. Algorithm AS 136: A K-Means Clustering Algorithm. Journal of the Royal Statistical Society. Series C (Applied Statistics). 28 (1), 100-108 (1979).
  43. Gonzalez, T. F. Clustering to minimize the maximum intercluster distance. Theoretical Computer Science. 38, 293-306 (1985).
  44. Zhao, Y., Sheong, F. K., Sun, J., Sander, P., Huang, X. A fast parallel clustering algorithm for molecular simulation trajectories. Journal of Computational Chemistry. 34 (2), 95-104 (2013).
  45. Ivani, I., et al. Parmbsc1: a refined force field for DNA simulations. Nature Methods. 13 (1), 55-58 (2016).
  46. Naritomi, Y., Fuchigami, S. Slow dynamics of a protein backbone in molecular dynamics simulation revealed by time-structure based independent component analysis. The Journal of Chemical Physics. 139 (21), 215102 (2013).
  47. Naritomi, Y., Fuchigami, S. Slow dynamics in protein fluctuations revealed by time-structure based independent component analysis: the case of domain motions. The Journal of Chemical Physics. 134 (6), 065101 (2011).
  48. Pérez-Hernández, G., Paul, F., Giorgino, T., De Fabritiis, G., Noé, F. Identification of slow molecular order parameters for Markov model construction. The Journal of Chemical Physics. 139 (1), 015102 (2013).
  49. McGibbon, R. T., Pande, V. S. Variational cross-validation of slow dynamical modes in molecular kinetics. The Journal of Chemical Physics. 142 (12), 124105 (2015).
  50. Deuflhard, P., Weber, M. Robust Perron cluster analysis in conformation dynamics. Linear Algebra and its Applications. 398, 161-184 (2005).
  51. Silva, D. A., et al. Millisecond dynamics of RNA polymerase II translocation at atomic resolution. Proceedings of the National Academy of Sciences of the United States of America. 111 (21), 7665-7670 (2014).
  52. Swope, W. C., Pitera, J. W., Suits, F. Describing Protein Folding Kinetics by Molecular Dynamics Simulations. 1. Theory. The Journal of Physical Chemistry B. 108 (21), 6571-6581 (2004).
  53. Clementi, C., Nymeyer, H., Onuchic, J. N. Topological and energetic factors: what determines the structural details of the transition state ensemble and "en-route" intermediates for protein folding? An investigation for small globular proteins. Journal of molecular biology. 298 (5), 937-953 (2000).
  54. Hinckley, D. M., Freeman, G. S., Whitmer, J. K., De Pablo, J. J. An experimentally-informed coarse-grained 3-Site-Per-Nucleotide model of DNA: structure, thermodynamics, and dynamics of hybridization. The Journal of chemical physics. 139 (14), 144903 (2013).
  55. Debye, P., Huckel, E. The theory of the electrolyte II-The border law for electrical conductivity. Physikalische Zeitschrift. 24, 305-325 (1923).
  56. Berendsen, H. J., Postma, J. V., van Gunsteren, W. F., DiNola, A., Haak, J. R. Molecular dynamics with coupling to an external bath. The Journal of Chemical Physics. 81, 3684-3690 (1984).
  57. Bowman, G. R. Improved coarse-graining of Markov state models via explicit consideration of statistical uncertainty. The Journal of Chemical Physics. 137 (13), 134111 (2012).
  58. Jain, A., Stock, G. Identifying metastable states of folding proteins. Journal of Chemical Theory and Computation. 8 (10), 3810-3819 (2012).
  59. Röblitz, S., Weber, M. Fuzzy spectral clustering by PCCA+: application to Markov state models and data classification. Advances in Data Analysis and Classification. 7, 147-179 (2013).
  60. Mardt, A., Pasquali, L., Wu, H., Noé, F. VAMPnets for deep learning of molecular kinetics. Nature Communications. 9 (1), 5 (2018).
  61. Wang, W., Liang, T., Sheong, F. K., Fan, X., Huang, X. An efficient Bayesian kinetic lumping algorithm to identify metastable conformational states via Gibbs sampling. The Journal of Chemical Physics. 149 (7), 072337 (2018).
  62. Chen, W., Sidky, H., Ferguson, A. L. Nonlinear discovery of slow molecular modes using state-free reversible VAMPnets. The Journal of Chemical Physics. 150 (21), 214114 (2019).
  63. Gu, H., et al. RPnet: a reverse-projection-based neural network for coarse-graining metastable conformational states for protein dynamics. Physical Chemistry Chemical Physics :PCCP. 24 (3), 1462-1474 (2022).
  64. Lane, T. J., Bowman, G. R., Beauchamp, K., Voelz, V. A., Pande, V. S. Markov state model reveals folding and functional dynamics in ultra-long MD trajectories. Journal of the American Chemical Society. 133 (45), 18413-18419 (2011).
  65. Konovalov, K. A., Unarta, I. C., Cao, S., Goonetilleke, E. C., Huang, X. Markov State Models to Study the Functional Dynamics of Proteins in the Wake of Machine Learning. JACS Au. 1 (9), 1330-1341 (2021).
  66. Cao, S., Montoya-Castillo, A., Wang, W., Markland, T. E., Huang, X. On the advantages of exploiting memory in Markov state models for biomolecular dynamics. The Journal of Chemical Physics. 153 (1), 014105 (2020).
  67. Brandani, G. B., Takada, S. Chromatin remodelers couple inchworm motion with twist-defect formation to slide nucleosomal DNA. PLoS Computational Biology. 14 (11), 1006512 (2018).
  68. Tan, C., Terakawa, T., Takada, S. Dynamic Coupling among Protein Binding, Sliding, and DNA Bending Revealed by Molecular Dynamics. Journal of the American Chemical Society. 138 (27), 8512-8522 (2016).
  69. Terakawa, T., Takada, S. p53 dynamics upon response element recognition explored by molecular simulations. Scientific reports. 5, 17107 (2015).
  70. Brandani, G. B., Niina, T., Tan, C., Takada, S. DNA sliding in nucleosomes via twist defect propagation revealed by molecular simulations. Nucleic Acids Research. 46 (6), 2788-2801 (2018).
  71. Knotts, T. A., Rathore, N., Schwartz, D. C., de Pablo, J. J. A coarse grain model for DNA. The Journal of Chemical Physics. 126 (8), 084901 (2007).
  72. Freeman, G. S., Hinckley, D. M., Lequieu, J. P., Whitmer, J. K., de Pablo, J. J. Coarse-grained modeling of DNA curvature. The Journal of Chemical Physics. 141 (16), 165103 (2014).

Tags

Structure-based SimulationTranscription Factor ProteinDNA DiffusionMarkov State ModelCoarse-grained SimulationAll-atom MD TrajectoryVMDRMSDRotational DegreeK-means ClusteringAtomistic SystemGROMACSTime-independent Component Analysis

Play Video
PDF
DOI
DOWNLOAD MATERIALS LIST
Cite This Article
E, C., Dai, L., Tian, J., Da, L., Yu, J. Structure-Based Simulation and Sampling of Transcription Factor Protein Movements along DNA from Atomic-Scale Stepping to Coarse-Grained Diffusion. J. Vis. Exp. (181), e63406, doi:10.3791/63406 (2022).
Download Citation
Reprints and Permissions

View Video

✖

To prove you're not a robot, please enter the text in the image below

CAPTCHA Image
Play CAPTCHA Audio
Refresh Image