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 ved hjælp af komplekse lipidblandinger 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 og sammensætning er en vigtig bidragyder til cellulære processer og kan være en markør for sygdom. Molekylære dynamiksimuleringer giver os mulighed for at studere membraner og deres interaktioner med biomolekyler ved atomistisk opløsning. Her leverer vi en protokol til at bygge, køre og analysere komplekse membransystemer.

Abstract

Lipider er strukturelle byggesten i cellemembraner; Lipidarter varierer på tværs af celleorganeller og på tværs af organismer. Denne variation resulterer i forskellige mekaniske og strukturelle egenskaber i membranen, der direkte påvirker molekylerne og processerne, der forekommer ved denne grænseflade. Lipidsammensætning er dynamisk og kan tjene til at modulere cellesignaleringsprocesser. Computational tilgange bruges i stigende grad til at forudsige interaktioner mellem biomolekyler og give molekylær indsigt i eksperimentelle observerbare. Molekylær dynamik (MD) er en teknik baseret på statistisk mekanik, der forudsiger bevægelsen af atomer baseret på de kræfter, der virker på dem. MD-simuleringer kan bruges til at karakterisere interaktionen mellem biomolekyler. Her introducerer vi kort teknikken, skitserer praktiske trin for begyndere, der er interesseret i at simulere lipiddobbeltlag, demonstrerer protokollen med begyndervenlig software og diskuterer alternativer, udfordringer og vigtige overvejelser om processen. Vi understreger især relevansen af at bruge komplekse lipidblandinger til at modellere en cellemembran af interesse for at fange de passende hydrofobe og mekaniske miljøer i simulering. Vi diskuterer også nogle eksempler, hvor membransammensætning og egenskaber modulerer interaktionerne mellem dobbeltlag og andre biomolekyler.

Introduction

Lipider er vigtige bestanddele af membraner, som giver grænser for celler og muliggør intracellulær ruminddeling 1,2,3. Lipider er amfifile, med en polær hovedgruppe og to hydrofobe fedtsyrehaler; Disse samles selv i et dobbeltlag for at minimere kontakt mellem de hydrofobe kæder og vand 3,4. Forskellige kombinationer af hydrofile hovedgrupper og hydrofobe haler resulterer i forskellige klasser af lipider i biologiske membraner, såsom glycerophospholipider, sfingolipider og steroler (figur 1)1,5,6. Glycerophospholipider er primære byggesten i eukaryote cellemembraner sammensat af glycerophosphat, langkædede fedtsyrer og hovedgrupper med lav molekylvægt7. Lipidnomenklatur er baseret på forskelle i hovedgrupper; eksempler omfatter phosphatidylcholin (PC), phosphatidylethanolamin (PE), phosphatidylserin (PS), phosphatidylglycerol (PG), phosphatidyl-inositol (PI) eller umodificeret phosphatidsyre (PA)5,6. Hvad angår hydrofobe haler, varierer længden og graden af mætning sammen med rygradstrukturen. De mulige kombinationer er talrige, hvilket resulterer i tusindvis af lipidarter i pattedyrceller6. Ændringer i membranlipidsammensætningen fører til forskellige mekaniske og strukturelle membranegenskaber, der påvirker aktiviteten af både integrerede membranproteiner og perifere proteiner 2,6.

Figure 1
Figur 1. Repræsentative lipidstrukturer. Fedtsyrehaler vises i blå kasser, almindelige lipidhovedgrupper i orange og prøverygrad i lilla. Klik her for at se en større version af denne figur.

Lipider er aktive spillere i cellulære processer, proteinaktivering i signalkaskader og sund cellehomeostase 8,9. Ændret lipiddynamik er resultatet af infektion eller kan være markører for patogenese af sygdom 10,11,12,13,14,15. Som barrierer for cellen er undersøgelsen af membranlipider og deres rolle i gennemtrængning af små molekyler af relevans for lægemiddelafgivelsessystemer og membranforstyrrelsesmekanismer16,17. Kemisk mangfoldighed og forskellige forhold mellem lipidarter på tværs af organeller, væv og organismer giver anledning til kompleks membrandynamik2. Det er derfor vigtigt at bevare disse egenskaber i modelleringsstudier af lipiddobbeltlag, især når målet med en undersøgelse er at undersøge interaktioner mellem andre biomolekyler og membranen. De lipidarter, der skal overvejes i en model, afhænger af organismen og det cellulære rum af interesse. For eksempel er PG-lipider vigtige for elektronoverførsel i fotosyntetisk bateria18, mens phosphoryleret inositollipider (PIP'er) er vigtige aktører i plasmamembrandynamik (PM) og signalkaskader i pattedyrceller 19,20. Inde i cellen indeholder PM, endoplasmatisk retikulum (ER), Golgi og mitokondriemembraner unikke lipidmængder, der påvirker deres funktion. For eksempel er ER knudepunktet for lipidbiogenese og transporterer kolesterol ud til PM og Golgi; den indeholder en høj lipiddiversitet med en overflod af PC og PE, men lavt sterolindhold, hvilket fremmer membranfluiditet21,22,23,24. I modsætning hertil inkorporerer PM hundreder og endda tusinder af lipidarter afhængigt af organismen25, den indeholder høje niveauer af sphingolipider og kolesterol, der giver den en karakteristisk stivhed sammenlignet med andre membraner i cellen24. Brochureasymmetri bør overvejes for membraner som PM, som har en ydre folder rig på sphingomyelin, PC og kolesterol og en indre folder rig på PE, PI og PS, der er vigtige for signalering af kaskader24. Endelig beder lipiddiversitet også dannelsen af mikrodomæner, der adskiller sig i pakning og intern orden, kendt som lipidflåder24,26; Disse udviser lateral asymmetri, antages at spille vigtige roller i cellulær signalering26 og er svære at studere på grund af deres forbigående karakter.

Eksperimentelle teknikker såsom fluoroskopi, spektroskopi og modelmembransystemer som gigantiske unilamellære vesikler (GUV'er) er blevet brugt til at undersøge interaktioner mellem biomolekyler og membraner. Imidlertid er den komplekse og dynamiske karakter af de involverede komponenter vanskelig at fange med eksperimentelle metoder alene. For eksempel er der begrænsninger på billeddannelse af transmembrandomæner af proteiner, kompleksiteten af membraner, der anvendes i sådanne undersøgelser, og identifikation af mellemliggende eller forbigående tilstande under processen af interesse27,28,29. Siden fremkomsten af molekylær simulering af lipidmonolag og dobbeltlag i 1980'erne29 kan lipid-proteinsystemer og deres interaktioner nu kvantificeres på molekylært niveau. Simulering af molekylær dynamik (MD) er en almindelig beregningsteknik, der forudsiger partiklernes bevægelse baseret på deres intermolekylære kræfter. Et additivt interaktionspotentiale beskriver de bundne og ikke-bundne interaktioner mellem partikler i systemet30. Det sæt parametre, der bruges til at modellere disse interaktioner, kaldes simuleringskraftfeltet (FF). Disse parametre opnås fra ab initio-beregninger, semiempiriske og kvantemekaniske beregninger og optimeres til reproducerede data fra røntgen- og elektrondiffraktionseksperimenter, NMR, infrarød, Raman og neutronspektroskopi, blandt andre metoder31.

MD-simuleringer kan bruges til at studere systemer på forskellige niveauer af opløsning32,33,34. Systemer, der sigter mod at karakterisere specifikke biomolekylære interaktioner, hydrogenbindinger og andre detaljer med høj opløsning, studeres med all-atom (AA) simuleringer. I modsætning hertil klumper grovkornede (CG) simuleringer atomer i større funktionelle grupper for at reducere beregningsomkostningerne og undersøge dynamik i større skala33. Placeret imellem disse to er united-atom (UA) simuleringer, hvor hydrogenatomer kombineres med deres respektive tunge atomer for at fremskynde beregningen33,35. MD-simuleringer er et kraftfuldt værktøj til udforskning af dynamikken i lipidmembraner og deres interaktioner med andre molekyler og kan tjene til at tilvejebringe molekylære niveaumekanismer til processer af interesse ved membrangrænsefladen. Derudover kan MD-simuleringer tjene til at indsnævre eksperimentelle mål og forudsige makromolekylære egenskaber af et givet system baseret på mikroskopiske interaktioner.

Kort sagt, givet et sæt indledende koordinater, hastigheder og et sæt betingelser som konstant temperatur og tryk, beregnes positioner og hastigheder for hver partikel gennem numerisk integration af interaktionspotentialet og Newtons bevægelseslov. Dette gentages iterativt og genererer derved en simuleringsbane30. Disse beregninger udføres med en MD-motor; blandt flere open source-pakker er GROMACS36 en af de mest anvendte motorer og den, vi beskriver her. Det omfatter også værktøjer til analyse og konstruktion af indledende koordinater for systemer, der skal simuleres37. Andre MD-motorer omfatter NAMD38; CHARMM39 og AMBER40, som brugeren kan vælge efter eget skøn baseret på beregningsydelsen for et givet system. Det er afgørende at visualisere banerne under simuleringen samt til analyse og fortolkning af resultaterne. En række værktøjer er tilgængelige; her diskuterer vi visuel molekylær dynamik (VMD), der tilbyder en bred vifte af funktioner, herunder tredimensionel (3-D) visualisering med ekspansive tegnings- og farvelægningsmetoder, volumetrisk datavisualisering, opbygning, forberedelse og analyse af baner af MD-simuleringssystemer og banefilmfremstilling uden grænser for systemstørrelse, hvis hukommelsen er tilgængelig41,42,43.

Nøjagtigheden af forudsagt dynamik mellem systemkomponenter påvirkes direkte af FF valgt til udbredelse af banen. Empirisk FF-parametriseringsindsats forfølges af få forskningsgrupper. De mest etablerede og almindelige FF for MD omfatter CHARMM39, AMBER 40, Martini44, OPLS 45 og SIRAH 46. All-atom additiv CHARMM36 (C36) kraftfelt47 anvendes i vid udstrækning til AA MD af membransystemer, da det nøjagtigt gengiver eksperimentelle strukturelle data. Det blev oprindeligt udviklet af CHARMM-samfundet, og det er kompatibelt med flere MD-motorer som GROMACS og NAMD. På trods af forbedringer på tværs af almindelige FF'er er der en kontinuerlig indsats for at forbedre parametersættene for at muliggøre forudsigelser, der nøje gengiver eksperimentelle observerbare, drevet af interesser i bestemte undersøgelsessystemer48,49.

En udfordring ved simulering af lipidmembraner er at bestemme længden af simuleringsbanen. Dette afhænger i høj grad af de målinger, der skal analyseres, og den proces, man sigter mod at karakterisere. Typisk kræver komplekse lipidblandinger længere tid at nå ligevægt, da flere arter skal have tid nok til at diffundere på membranplanet og nå en stabil lateral organisation. En simulering siges at være i ligevægt, når egenskaben af interesse har nået et plateau og svinger omkring en konstant værdi. Det er almindelig praksis at opnå mindst 100-200 ns ligevægtsbane for at udføre passende statistisk analyse af egenskaber og interaktioner af interesse. Det er almindeligt at køre membransimuleringer mellem 200-500 ns, afhængigt af kompleksiteten af lipidblandingen og forskningsspørgsmålet. Protein-lipid-interaktioner kræver typisk længere simuleringstider, mellem 500-2000 ns. Nogle tilgange til at fremskynde prøveudtagning og observerbar dynamik med membransystemer er: (i) den meget mobile membranmimetiske (HMMM) model, som erstatter slutcarbonatomer af lipider i membranen med organisk opløsningsmiddel for at fremskynde prøveudtagning50; og ii) hydrogenmasseomfordeling (HMR), som kombinerer en brøkdel af masserne af tunge atomer i et system med masserne af hydrogenatomer for at muliggøre anvendelse af et større simuleringstidstrin51.

Følgende protokol diskuterer en begyndervenlig tilgang til at bygge, køre og analysere realistiske membranmodeller ved hjælp af AA MD. I betragtning af karakteren af MD-simuleringer skal der køres flere baner for at tage højde for reproducerbarhed og korrekt statistisk analyse af resultaterne. Det er almindelig praksis at køre mindst tre replikaer pr. interessesystem. Når lipidarterne er blevet udvalgt til organismen og processen af interesse, er grundlæggende trin til at opbygge, køre og analysere en simuleringsbane for et membran-eneste system skitseret og opsummeret i figur 2.

Figure 2
Figur 2. Skematisk til at køre MD-simuleringer. Orange bokse svarer til de tre hovedtrin, der er beskrevet i protokollen. Nedenunder er arbejdsgangen i simuleringsprocessen. Under systemopsætningen bygges systemet, der indeholder de indledende koordinater for et solvated membransystem, med en systemindgangsgenerator som CHARMM-GUI Membrane Builder. Efter overførsel af inputfilerne til en højtydende computerklynge formeres simuleringsbanen ved hjælp af en MD-motor, såsom GROMACS. Baneanalyse kan udføres på computerklyngen eller en lokal arbejdsstation sammen med visualisering. Analysen udføres derefter ved hjælp af enten pakker med indbygget analysekode såsom GROMACS og VMD eller ved hjælp af Bash-scripts eller forskellige Python-biblioteker. Klik her for at se en større version af denne figur.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Opbygning af systemkoordinater

  1. Naviger til CHARMM-GUI.org (C-GUI) ved hjælp af en webbrowser. I topmenuen skal du navigere til Input Generator og derefter vælge Membrane Builder fra de lodrette indstillinger i venstre side af skærmen.
  2. Hvis du vil bygge et dobbeltlag, skal du vælge Dobbeltlagsgenerator.
    BEMÆRK: Første gang brugere skal aktivere deres gratis konto, før de bygger deres første sæt koordinater.
  3. Vælg Kun membransystem. Gem det genererede JOB-id for at hente systemet, og fortsæt, hvor du slap under processen, hvis det er nødvendigt.
    1. Visualiser systemerne under hvert trin i byggeprocessen ved at klikke på Vis struktur i boksen øverst på siden eller ved at downloade den resulterende PDB-fil. Hold øje med manglende komponenter, fejl i den valgte inputlipidart eller patchstørrelse.
  4. Vælg komponenterne i systemet.
    1. Vælg indstillingen Heterogen lipid , selvom du bygger et enkeltkomponent dobbeltlag; og vælg derefter en rektangulær bokstype .
    2. Vælg 45 vandmolekyler pr. lipid til hydreringsindstillingen; Dette er tilstrækkeligt til at sikre et fuldt hydreret dobbeltlag.
    3. Indstil længden af XY til at være baseret på antallet af lipidkomponenter. Vælg derefter antallet af lipider, der skal inkluderes for hver lipidart, der er bestemt forud for modellen. Til casestudiet, der diskuteres i næste afsnit, blev der bygget en membranmodel med 600 lipider fordelt symmetrisk i to foldere. For at modellere ER af eukaryote celler blev en blanding af 336 DOPC, 132 DPPE, 60 CHOL, 72 POPI lipider anvendt til PI-modellen; og 330 DOPC, 126 DPPE, 54 CHOL, 66 POPI og 24 DOPS lipider til PI-PS-modellen.
      BEMÆRK: C-GUI giver et bibliotek af lipidstrukturer at vælge imellem; Klik på billederne ved siden af artsnavnet for dets kemiske struktur.
    4. Indtast det ønskede antal molekyler i den øverste og nederste folder i de to kasser ved siden af lipidnavnet. Til casestudiet ønskes en symmetrisk membransammensætning - sørg for, at der ikke er fejl om uovertruffen antal lipider i den øverste folder og den nederste folder. Hvis asymmetri ønskes, skal du sørge for, at det samlede antal lipider i hver indlægsseddel er korrekt. For detaljer om opbygning af asymmetriske dobbeltlag, se arbejde af Park et al.52,53.
    5. Gå til toppen af listen over lipidarter, og klik på knappen Vis systeminfo. Saml komponenter og færdiggør systemet.
    6. Vælg indstillingen for at inkludere neutraliserende ioner ved hjælp af den afstandsbaserede algoritme for hurtigere konvergens54.
    7. Lad standardopløsningskoncentrationen af KCl være på 0,15 mM. Dette er en typisk saltkoncentration for at gøre simuleringsboksen for membrandobbeltlag neutral.
      BEMÆRK: Hvis der skal anvendes en anden koncentration, skal du sørge for at klikke på knappen Beregn opløsningsmiddelsammensætning , når du har redigeret den.
  5. Vælg simuleringsbetingelser og -indstillinger.
    1. Vælg CHARMM36m som FF-indstilling; Det er almindeligt anvendt til lipid og protein simuleringer, men brugeren kan vælge andre muligheder diskuteret i indledningen.
    2. Vælg GROMACS som MD-motor for at hente eksempelinputfiler i det tilsvarende format.
      BEMÆRK: GROMACS anbefales til nye brugere, fordi det har flere online ressourcer, tutorials og fora til support. Brugeren kan vælge mellem flere MD-motorer for at udforske muligheder med hensyn til simuleringsydelse og kodesyntaks.
    3. Vælg NPT-ensemblet (Constant Particle-Pressure-Temperature), langt det mest anvendte dynamiske ensemble i simuleringen af lipiddobbeltlag.
    4. Indstil temperatur og tryk i Kelvin og stænger til henholdsvis 303 K og 1 bar. Det er typisk at indstille temperaturen mellem 298 K og 310 K til undersøgelse af biologiske processer for at sikre et dobbeltlag i flydende lidelsestilstand.
      BEMÆRK: Temperaturen afhænger af betingelserne for den proces, der skal simuleres, og kan ændres efter behov. Afhængigt af lipidarterne i modellen skal du indstille temperaturen til at være over overgangstemperaturen for rene lipidkomponenter, før du kører simuleringen.
  6. Download de resulterende filer og overfør til computerklyngen.
    1. Visualiser det endelige system på en software efter eget valg, såsom VMD eller PyMol, og inspicer for korrekt opsætning.
      BEMÆRK: Det er for eksempel godt at kontrollere, at der er tilstrækkeligt vand omkring membranen, således at lipider ikke interagerer med billedatomer under simuleringen, og korrekt opsætning af foldere (et dobbeltlag uden mellemrum eller vand imellem).

2. Kørsel af MD-simuleringer

  1. Upload og pak filerne ud fra C-GUI på din computerklynge. Naviger til Gromacs-biblioteket . Opret et script til indsendelse af afslapning.
  2. Følg klyngens retningslinjer for formatet af et indsendelsesscript.
    1. Kopier kommandoerne på listen indtil lige over # Produktionskommentar i README-filen til indsendelsesscriptet.
      BEMÆRK: Denne standard fra C-GUI er en løkke, der kører en 6-trins afslapning af systemet. Hvis der ønskes en anden og veletableret protokol, skal du redigere den for at læse koordinaterne, der lige er bygget og downloadet fra C-GUI.
  3. Indsend afslapningsscriptet, og bekræft, at alle outputfiler er blevet downloadet for alle trin, før du går videre til produktionskørslen. Efter afslutningen skal du kontrollere følgende outputfiler fra GROMACS, genereret under 6-trins kørslen: *.log, *.tpr, *.gro, *.edr, *.trr / *.xtc
  4. Opret et produktionskørselsscript.
    1. Brug et af eksemplerne gmx grompp og gmx mdrun kommandoer fra et af afslapningstrinnene som skabelon.
    2. Før du bruger scriptet, skal du sørge for at oprette en *.mdp-fil, der indeholder lignende simuleringsindstillinger som den medfølgende step7_production.mdp-fil.
      BEMÆRK: De angivne standardindstillinger er standard for membransimuleringer; Distanser er angivet i nm, og tiden er angivet i picosekunder eller antal trin (picosekunder / integrationstidstrin). Opdater nsteps for at køre op til den ønskede simuleringslængde (dette er lig med dt * nsteps) og nst [x, v, f] ud for at opdatere databesparelsesfrekvensen i antal integrationstrin. For casestudiet skal du indstille nsteps til 250.000.000 for en simuleringslængde på 500ns (simuleringstid / integrationstrin = 500.000 ps / 0.002ps) og nst [x, v, f] ud til 50.000 for at gemme data hver 100 ps
  5. Før du kører den faktiske simulering, skal du køre benchmarkundersøgelser for at bestemme den bedste udnyttelse af ressourcerne.
    1. Kør systemet i 1-2 ns ved hjælp af forskellige antal computernoder.
      BEMÆRK: ER-casestudiet blev indsendt på UB Center for Computational Research (CCR) high-performance computing cluster55 for 2 ns, hvor ydeevnen blev testet for 1-10 noder.
    2. Sammenlign ydeevnen i ns/dag for hver indstilling for at bestemme de optimale ressourcer til kørslen. Det er almindelig praksis at vælge antallet af noder, der resulterer i 75% -80% af maksimal ydeevne.
  6. Kør produktionskørslen.
    1. Kør hvert system i tre eksemplarer for at sikre reproducerbarhed og foretage statistisk analyse af dataene.
    2. Udvid banen baseret på benchmarks, hvis den tilladte køtid til indsendelse på computerklyngen løber ud. Brug kommandoerne gmx convert-tpr, derefter gmx mdrun til at fortsætte baneindsamlingen.
      BEMÆRK: Valgmulighederne er beskrevet i GROMACS-dokumentationen online (https://manual.gromacs.org/).
    3. For et membran-only system skal du undersøge, om systemet har nået ligevægt ved at beregne arealet pr. Lipid over tid. Hvis det ikke er tilfældet, skal du udvide simuleringsbanen.

3. Analyse af banen

  1. Visualiser systemet, før du kører analyse for at bestemme molekyler af interesse og en del af banen, der er beregnet til karakterisering.
  2. Komprimer rå banefiler (*.trr) ved at ændre filformatet til *.xtc og/eller springe billeder over for at reducere filstørrelsen og lette en mere effektiv overførsel til den lokale station til visualisering og analyse.
    BEMÆRK: For store membransystemer kan man vælge at fjerne vand fra banen for yderligere at reducere filstørrelsen. Dette kan gøres med indeksfiler på GROMACS, TCL-scripts på VMD eller Python-biblioteker som MDAnalysis og MDTraj.
  3. Udfør udvalgte analyser under den ekvilibrerede del af banen, som bestemt ud fra areal-per-lipid-tidsserien.
    BEMÆRK: Se diskussionen for flere detaljer om typiske membrananalyser, og hvordan de køres.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

For at illustrere brugen af protokollen og de resultater, der kan opnås, diskuteres en sammenligningsundersøgelse for membranmodeller for det endoplasmatiske retikulum (ER). De to modeller i denne undersøgelse var (i) PI-modellen, som indeholder de fire øverste lipidarter, der findes i ER, og (ii) PI-PS-modellen, som tilføjede de anioniske phosphatidylserin (PS) lipidarter. Disse modeller blev senere brugt i en undersøgelse af et viralt protein, og hvordan det interagerer med membranen, interessen for PS er blevet citeret som vigtig for permeabiliseringsaktiviteten af det virale protein23. For at inkorporere variation i lipidhalestrukturer blev membransammensætningerne indstillet som DOPC: DPPE: CHOL: POPI (56: 22: 10: 12 mol%) og DOPC: DPPE: CHOL: POPI: DOPS (55: 21: 11: 9: 4 mol%).

Membranerne blev genereret med CHARMM-GUI Membrane Builder. For at imødekomme de 4 forskellige lipidarter og senere proteinet blev de symmetriske membraner indstillet til at indeholde 600 lipider/folder. De indstillinger, der anbefales i protokollen, blev brugt med en temperatur på 303 K. For at sikre uafhængige replikaer blev byggeprocessen gentaget tre gange for hver membranmodel, hvilket resulterede i en anden tilfældig blanding af lipider hver gang. Efter opbygning af systemerne blev inputfilerne flyttet til UB center for computational research (CCR) high-performance computing cluster55 for at køre MD-simuleringer ved hjælp af GROMACS version 2020.5. Efter at 6-trins afslapningsprotokollen var afsluttet, blev benchmarking kun udført på et system pr. Model (figur 3), da antallet af atomer er ens på tværs af alle replikaer. De 75% af den maksimale ydeevne var ~ 78 ns / dag, derfor blev der højst anmodet om 6 noder på klyngen til produktionskørslerne. Hver replika blev kørt i op til 500 ns ved at indstille nstep = 25 x 107 i *.mdp-filen og sende udvidelser til klyngen efter behov baseret på benchmarks.

Figure 3
Figur 3. Eksempler på benchmarkkørsler. Bruges til at bestemme PI-modellens ydeevne (315.000 atomer). Klik her for at se en større version af denne figur.

Arealet pr. lipid (APL) for hver replika er vist i figur 4. Dette blev beregnet ud fra XY-dimensionerne på simuleringsboksen, der var gemt i *edr-simuleringsoutputfilen fra GROMACS ved hjælp af det indbyggede energiprogram. Derefter blev det samlede overfladeareal divideret med antallet af samlede lipider pr. Folder for at give et skøn over APL i hver model. For alle systemer blev ligevægt bestemt som det punkt, hvor APL når et plateau og svinger omkring en konstant værdi. I alle disse systemer opnås ligevægt inden for de første 100 ns bane (se figur 4). Baseret på denne måling blev baner på 500 ns anset for tilstrækkelige til disse systemer. Alle andre analyser på disse dobbeltlag blev udført i løbet af de sidste 400 ns bane, kendt som ligevægts- eller produktionsfasen. For at bestemme usikkerheden i hver beregnet værdi anbefales blokgennemsnit hver 10-20 ns. Fra APL-analysen har PI-PS-membranmodellen i gennemsnit et 0,7 Å2 større overfladeareal end PI-modellen.

Figure 4
Figur 4. Areal-per-lipid eksempler. (A) PI- og (B) PI-PS-modeller. Repliker 1, repliker 2 og repliker 3 for hver model vises med rødt, blåt og grønt. Ligevægt for alle systemer sker inden for de første 100 ns. Usikkerhed rapporteres som standardfejlen for middelværdien (SEM). Klik her for at se en større version af denne figur.

Derudover præsenteres to enkle analyser af membranstruktur. Figur 5 viser membrantykkelsen, estimeret ved afstanden mellem massecentret (COM) af phospholipidernes phosphatatomer i de øverste og nederste foldere. Dette blev beregnet ved hjælp af fjernprogrammet i GROMACS, som kræver en indeksfil, der viser to atomgrupper, en for fosfatgrupperne i den øverste folder og en anden gruppe for dem i den nederste folder. Resultaterne viser en statistisk forskel mellem tykkelserne af de to membranmodeller, hvilket illustrerer en omvendt relation mellem APL og membrantykkelse. Endelig viser figur 6 deuteriumordensparametrene for hver lipidart, et mål, der kvantificerer rækkefølgen af lipidhaler inden for den tolags hydrofobe kerne56. Fedtsyrehaler klassificeres som sn1, den der er bundet til glycerolrygradens terminale ilt og sn2, der er bundet til glycerolgruppens centrale ilt. Resultaterne viser, at der er ringe eller ingen forskel mellem rækkefølgen af lipidhaler mellem modellerne, bortset fra DPPE, der viser en lille stigning i rækkefølge for sn1-halen i PI-modellen.

Figure 5
Figur 5. Eksempler på membrantykkelse. (A) PI- og (B) PI-PS-modeller. Repliker 1, repliker 2 og repliker 3 for hver model vises med rødt, blåt og grønt. Usikkerhed rapporteres som standardfejlen for middelværdien (SEM). Klik her for at se en større version af denne figur.

Figure 6
Figur 6. Eksempler på parametre for deuteriumordre. (A) DOPC, (B) DPPE, (C) POPI og (D) DOPS lipidarter. Ubrudte linjer til sn1, stiplede linjer til sn2, PI-model i rød og PI-PS-model i blå. Usikkerhed rapporteres som standardfejlen for middelværdien (SEM). Klik her for at se en større version af denne figur.

Komplekse membranmodeller kan bruges til at studere relevansen af specifikke lipidarter, og hvordan disse modulerer interaktioner mellem biomolekyler og membranen. Prøveundersøgelser fra laboratoriet viser: (1) membransammensætning modulerer interaktionerne mellem proteiner19 og (2) lipidhalemætning og membranoverfladeladning, gennemtrængning og lateral organisering af små molekyler17,57. Ved hjælp af protokollen beskrevet ovenfor og lignende analyse som den, der er præsenteret i de foregående afsnit, giver Li et al.'s arbejde indsigt fra eksperiment og simulering om samspillet mellem D112, et potentielt fotodynamisk terapimiddel, og forskellige lipidblandinger17. Et dobbeltlag med PC- og PS-lipider blev undersøgt i et eksperiment for at karakterisere D112-partitionering i dobbeltlaget. Vi udførte simuleringer af forskellige rationer af PC- og PS-lipider med varierende fedtsyrehalelængder og mætning, dvs. antal dobbeltbindinger, for at bestemme effekten af overfladeladning og hydrofob miljø på D112-membraninteraktion. Mens elektrostatiske interaktioner driver indledende binding af D112 til anioniske PS-lipider, trækker hydrofobe interaktioner molekylet ind i membrankernen via to mulige mekanismer (se figur 7A-B). Inde i membranen lokaliserer D112 fortrinsvis til pc-rige domæner, enten som en monomer eller dimer.

Figure 7
Figur 7. Yderligere prøvesystem efter den præsenterede protokol. Simuleringer af D112 med modelmembraner, der identificerer to indsættelsesmekanismer (A) harpun og (B) flip; C) orientering af D112-dimerer og (D) lateral fordeling af D112-molekyler (blå konturkort) på en membranmodel med hensyn til ladede lipider (orange klynger). Fuld undersøgelse kan findes i 17. Klik her for at se en større version af denne figur.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Eksperimentelle teknikker kan visualisere biomolekyler ved høj opløsning ved hjælp af kryo-elektronmikroskopi (cryo-EM)58, fluorescensteknikker og atomkraftmikroskopi (AFM)59. Det er imidlertid udfordrende at fange samspillet og dynamikken i molekylære interaktioner, der ligger til grund for biologiske veje, sygdomspatogenese og terapeutisk levering på atom- eller aminosyreniveau. Her blev MD-simuleringers muligheder for at studere lipidmembraner og de vigtigste trin til at designe, bygge, køre og analysere disse systemer diskuteret. Fordelen ved denne beregningsmetode er den atomistiske detalje og underliggende ligninger, der modellerer molekylære interaktioner for at foreslå og karakterisere molekylære mekanismer ved membrangrænsefladen.

Et kritisk trin ved simulering af cellemembraner er en solid forståelse af det biologiske system, der skal studeres. De lipidarter, der skal inkluderes, afhænger af organismen, det cellulære rum og vigtigst af alt den proces, der skal undersøges. Simuleringer med symmetriske membraner er et godt udgangspunkt for begyndere MD-brugere. Asymmetri, selvom det er et kendt træk ved membraner som PM, tilføjer potentielle vanskeligheder, fordi det kræver længere simuleringstider at prøve lateral diffusion og udveksling af steroler korrekt mellem foldere. Asymmetrien introducerer også en uoverensstemmelse i APL for hver folder, der skal behandles omhyggeligt i simulering52,53. Et andet vigtigt skridt er at bestemme størrelsen af membranplasteret, der skal simuleres, hvilket afhænger af kompleksiteten af lipidblandingen og de tilgængelige beregningsressourcer; Større membranplastre tager længere computertid, hvilket måske ikke altid er muligt. En størrelse på mindst 150 lipider / folder til homogene eller binære systemer og op til 600 lipider / folder til mere komplekse sammensætninger anbefales. Hvis membranmodellen bruges til protein-membran-undersøgelser, er en god tommelfingerregel at lave et membranplaster, der kan rumme mellem 2-3 gange proteinets længste dimension. Ved undersøgelse af små molekyler bør plasterstørrelsesdækningen forblive under 30% -40% for at undgå endelige størrelseseffekter. Afhængigt af metrikken til bestemmelse af ligevægt kan komplekse lipidblandinger let kræve mindst 3 gange længere simuleringstider sammenlignet med rene lipid- eller binære blandinger.

Der er flere muligheder for at indstille de indledende koordinater til biomolekylære simuleringer. Almindelige softwarepakker omfatter GROMACS36, VMD 42, PACKMOL60, Moltemplate 61 og CHARMM-GUI 62. C-GUI er en webbaseret platform designet til at lette opbygningen af disse systemer med en bred vifte af molekyler i sit lipidbibliotek. Det giver inputfiler til forskellige MD-motorer og kraftfeltparametre, hvilket gør det til et godt udgangspunkt for begyndere. Under byggetrinnene giver C-GUI estimater af arealet pr. lipid for individuelle lipidarter. Det er nyttigt at øge dette skøn med 10% -15%, når man bygger komplekse lipidblandinger (5+ arter), især hvis man bruger steroler i modellen. Hvis et lipid af interesse ikke findes i C-GUI-biblioteket, kan man bruge en tæt lipidstruktur som pladsholder og derefter ændre strukturen ved hjælp af VMD- eller Python-scripts efter opbygning og indledende afslapning af systemet. Da C36m er et additivt kraftfelt63, er der normalt ingen reparametrisering nødvendig for den opdaterede lipidstruktur, forudsat at alle atomtyperne i det nye molekyle er til stede i kraftfeltet. Det skal bemærkes, at ikke alle tilgængelige muligheder på C-GUI er blevet dækket i denne protokol, men dem, der er relevante for begyndere og dem, der er i overensstemmelse med almindelig praksis på området, er blevet vist; Avancerede muligheder er blevet behandlet og offentliggjort af udviklerne54,62,64.

Simuleringsforhold som det termodynamiske ensemble, temperatur og tryk afhænger af undersøgelsens art. For denne protokol blev betingelserne holdt som standard i C-GUI, som er typiske for membransimuleringer i væskefasen. Gelfasen er ikke ønskelig at modellere biologiske membraner, den forekommer under lipidernes overgangstemperatur, og det er let at genkende ved parallel justering af lipidhaler i en vinkel. Dette kan ændre sig for forskellige undersøgelsesmål eller i henhold til eventuelle eksperimenter fra samarbejdspartnerne. Under MD-kørslerne omfatter typiske indstillinger for membrandobbeltlag: (1) 1-4 fs tidstrin for AA MD til at fange de hurtigste vibrationsbevægelser af hydrogen-oxygenbindinger65; typisk bruges 2 fs til produktion, men 1 fs bruges under afslapnings- og minimeringstrin, og 4 fs kan bruges, hvis HMR51 anvendes; (2) databesparelsesfrekvenser mellem 0,05-0,2 ns er almindelig praksis; (3) Verlet cutoff skema66, med en blød og hård cutoff på 1,0 og 1,2 nm for van der Waal interaktioner. Indstilling af større afskæringsradius sænker simuleringsydelsen, da flere interaktioner beregnes mellem atompar; Imidlertid er der behov for en større afskæring for at beregne de laterale trykprofiler, som typisk kræver afskæringer på 2,0-2,4 nm; (4) partikelnet Edward (PME) skema67 med en afskæring på 1,2 nm anvendes til langtrækkende elektrostatiske interaktioner; (5) LINCS-algoritmen68 anvendes i GROMACS til at begrænse hydrogenbindinger; (6) en fælles trykregulator er Parrinello-Rahman-barostat, der anvendes semiisotropisk til dobbeltlag; (7) En almindelig temperaturregulator er Nose-Hoover-termostaten. Bemærk, at der er flere typer barostater og termostater, der kan bruges i simulering og afhænger af undersøgelsens art69.

APL, membrantykkelse og sterol flip-flop er almindelige målinger for at bestemme, om et system har nået termisk ligevægt, som kan variere fra 50 ns for rene dobbeltlag til 4000 ns for komplekse asymmetriske blandinger afhængigt af den valgte metrik. Analyse af dobbeltlagets mekaniske, strukturelle og dynamiske egenskaber skal beregnes, når ligevægten er nået, dvs. når egenskaben af interesse når et plateau og svinger i forhold til en gennemsnitsværdi. Den ækvilibrerede del af banen, også kendt som produktionsfasen, skal være mindst 100 ns lang for korrekt statistisk analyse og skøn over usikkerhed. Almindelige membranegenskaber, der kan beregnes ud fra simulering, omfatter, men er ikke begrænset til, deuteriumordensparametre, elektrondensitetsprofiler, radiale fordelingsfunktioner, hældningsvinkler på lipidhaler eller hovedgrupper, kompressibilitetsmodul, afslapningstider for lipidrotation, bøjningsmodul, laterale trykprofiler, lipidklyngemønstre og vanddynamik nær membrangrænsefladen35,70, 71; en anmeldelse af Moradi et al. beskriver nogle af disse mere detaljeret70. Disse analyser kan udføres med indbyggede analyseværktøjer fra GROMACS og VMD eller ved hjælp af Python-, Bash- eller TCL-scripting. Der er også mange open source Python-biblioteker såsom MDAnalysis 72,73, MDTraj74, Pysimm 75, Pyemma 76 og PyLipID 77, der letter analysen af simuleringsbaner.

Denne protokol er fokuseret på en all-atom tilgang, som er beregningsmæssigt krævende, hvis målet med en undersøgelse er at karakterisere dynamikken i store proteiner, der interagerer med store membranpletter. Ikke desto mindre har stigning i beregningskraft og brugen af grafiske enhedsprocessorer (GPU'er) favoriseret simuleringer af større systemer. MD-simuleringer kræver tilstrækkelig prøveudtagning af systemkonformationer til at beregne egenskabsgennemsnit, der nøjagtigt gengiver eksperimentelle værdier. Realistisk membranmodellering sigter mod at reproducere et nøjagtigt mekanisk og strukturelt miljø for cellemembranen af interesse, som direkte påvirker interaktionen mellem andre biomolekyler og letter prøveudtagning af sjældne hændelser78,79,80. Når man fortolker dataene, skal man være omhyggelig med at validere observationer med eksperimentelle tendenser eller faktiske værdier for lignende systemer for at verificere, at modelsystemerne ikke kun er en artefakt af simuleringen eller udgør ufysiologiske begivenheder78. Afslutningsvis er MD-simuleringer en stærk model til at undersøge molekylære interaktioner baseret på statistisk termodynamik. MD-simuleringer kan bruges til at undersøge virkningerne af lipiddiversitet på membranens strukturelle og mekaniske egenskaber, hvilket igen resulterer i forskellige interaktioner med biomolekyler under cellulære processer. Protokollen giver en begyndervenlig tilgang til design, opbygning, kørsel og analyse af komplekse lipidmembransystemer. Disse trin tjener til at simulere membran-only systemer samt protein eller små molekyler nær membrangrænsefladen.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Forfatterne har ingen konkurrerende interesser at afsløre.

Acknowledgments

Forfatterne takker Jinhui Li og Ricardo X. Ramirez for deres simuleringsbaner og diskussioner under skrivningen af dette manuskript. O.C. blev støttet af University at Buffalo Presidential Fellowship og National Institute of Health's Initiative for Maximizing Student Development Training Grant 1T32GM144920-01 tildelt 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 Komplekse lipidblandinger Simuleringsundersøgelser Cellemembraner Lipidarter Mekaniske egenskaber Strukturelle egenskaber Membransammensætning Cellesignaleringsprocesser Beregningsmetoder Biomolekylære interaktioner Molekylær dynamik MD-simuleringer Lipiddobbeltlag Begyndervenlig software Hydrofob miljø Mekanisk miljø Membranegenskaber Biomolekyleinteraktioner
Realistisk membranmodellering ved hjælp af komplekse lipidblandinger 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