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 bruk av 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 sammensetning er en viktig bidragsyter til cellulære prosesser og kan være en markør for sykdom. Molekylær dynamikk simuleringer tillate oss å studere membraner og deres interaksjoner med biomolekyler ved atomistisk oppløsning. Her tilbyr vi en protokoll for å bygge, kjøre og analysere komplekse membransystemer.

Abstract

Lipider er strukturelle byggesteiner i cellemembraner; Lipidarter varierer på tvers av celleorganeller og på tvers av organismer. Denne variasjonen resulterer i forskjellige mekaniske og strukturelle egenskaper i membranen som direkte påvirker molekylene og prosessene som forekommer ved dette grensesnittet. Lipidsammensetning er dynamisk og kan tjene til å modulere cellesignaleringsprosesser. Beregningsmetoder brukes i økende grad til å forutsi interaksjoner mellom biomolekyler og gi molekylær innsikt til eksperimentelle observables. Molekylær dynamikk (MD) er en teknikk basert på statistisk mekanikk som forutsier bevegelsen av atomer basert på kreftene som virker på dem. MD-simuleringer kan brukes til å karakterisere samspillet mellom biomolekyler. Her presenterer vi kort teknikken, skisserer praktiske trinn for nybegynnere som er interessert i å simulere lipid-dobbeltlag, demonstrerer protokollen med nybegynnervennlig programvare og diskuterer alternativer, utfordringer og viktige hensyn til prosessen. Spesielt legger vi vekt på relevansen av å bruke komplekse lipidblandinger for å modellere en cellemembran av interesse for å fange de aktuelle hydrofobe og mekaniske miljøene i simulering. Vi diskuterer også noen eksempler der membransammensetning og egenskaper modulerer samspillet mellom bilayers med andre biomolekyler.

Introduction

Lipider er viktige bestanddeler av membraner, som gir grenser for celler og muliggjør intracellulær compartmentalization 1,2,3. Lipider er amfifile, med en polar hodegruppe og to hydrofobe fettsyrehaler; Disse monteres selv i et dobbeltlag for å minimere kontakt mellom de hydrofobe kjedene med vann 3,4. Ulike kombinasjoner av hydrofile hodegrupper og hydrofobe haler resulterer i forskjellige klasser av lipider i biologiske membraner, som glycerofosfolipider, sfingolipider og steroler (figur 1) 1,5,6. Glyserofosfolipider er primære byggesteiner i eukaryote cellemembraner sammensatt av glycerofosfat, langkjedede fettsyrer og hodegrupper med lav molekylvekt7. Lipidnomenklatur er basert på forskjeller i hodegrupper; eksempler er fosfatidyl-kolin (PC), fosfatidyl-etanolamin (PE), fosfatidyl-serin (PS), fosfatidyl-glyserol (PG), fosfatidyl-inositol (PI), eller den umodifiserte fosfatidsyren (PA)5,6. Når det gjelder hydrofobe haler, varierer lengden og graden av metning, sammen med ryggradsstrukturen. De mulige kombinasjonene er mange, noe som resulterer i tusenvis av lipidarter i pattedyrceller6. Endringer i membranlipidsammensetning fører til forskjellige mekaniske og strukturelle membranegenskaper som påvirker aktiviteten til både integrerte membranproteiner og perifere proteiner 2,6.

Figure 1
Figur 1. Representative lipidstrukturer. Fettsyrehaler er vist i blå bokser, vanlige lipidhodegrupper i oransje og prøveryggrader i lilla. Klikk her for å se en større versjon av denne figuren.

Lipider er aktive aktører i cellulære prosesser, proteinaktivering i signalkaskader og sunn cellehomeostase 8,9. Endret lipiddynamikk er et resultat av infeksjon eller kan være markører for patogenesen av sykdom 10,11,12,13,14,15. Som barrierer for cellen er studiet av membranlipider og deres rolle i permeasjon av små molekyler av relevans for legemiddelleveringssystemer og membranforstyrrelsesmekanismer16,17. Kjemisk mangfold og forskjellige forhold mellom lipidarter på tvers av organeller, vev og organismer gir opphav til kompleks membrandynamikk2. Det er derfor viktig å beholde disse egenskapene i modelleringsstudier av lipid-dobbeltlag, spesielt når målet med en studie er å undersøke interaksjoner mellom andre biomolekyler og membranen. Lipidartene som skal vurderes i en modell, avhenger av organismen og det cellulære rommet av interesse. For eksempel er PG-lipider viktige for elektronoverføring i fotosyntetiske bateria18, mens fosforylerte inositollipider (PIPs) er store aktører i plasmamembrandynamikk (PM) og signalkaskader i pattedyrceller 19,20. Inne i cellen inneholder PM, endoplasmatisk retikulum (ER), Golgi og mitokondriemembraner unike lipidmengder som påvirker deres funksjon. For eksempel er ER navet for lipidbiogenese og transporterer kolesterol ut til PM og Golgi; den inneholder et høyt lipiddiversitet med en overflod av PC og PE, men lavt sterolinnhold, noe som fremmer membranfluiditet21,22,23,24. I kontrast inneholder PM hundrevis og til og med tusenvis av lipidarter avhengig av organismen25, den inneholder høye nivåer av sfingolipider og kolesterol som gir den en karakteristisk stivhet sammenlignet med andre membraner i cellen24. Brosjyreasymmetri bør vurderes for membraner som PM, som har en ytre brosjyre rik på sfingomyelin, PC og kolesterol, og en indre brosjyre rik på PE, PI og PS som er viktige for signalering av kaskader24. Endelig ber lipiddiversitet også dannelsen av mikrodomener som er forskjellige i pakking og intern rekkefølge, kjent som lipidflåter24,26; Disse utviser lateral asymmetri, antas å spille viktige roller i cellulær signalering26, og er vanskelig å studere på grunn av deres forbigående natur.

Eksperimentelle teknikker som fluoroskopi, spektroskopi og modellmembransystemer som gigantiske unilamellære vesikler (GUVer) har blitt brukt til å undersøke interaksjoner av biomolekyler med membraner. Imidlertid er den komplekse og dynamiske naturen til de involverte komponentene vanskelig å fange med eksperimentelle metoder alene. For eksempel er det begrensninger på avbildning av transmembrane domener av proteiner, kompleksiteten av membraner som brukes i slike studier, og identifisering av mellomliggende eller forbigående tilstander under prosessen av interesse27,28,29. Siden fremkomsten av molekylær simulering av lipidmonolayers og bilayers på 1980-tallet29, kan lipidproteinsystemer og deres interaksjoner nå kvantifiseres på molekylært nivå. Molekylær dynamikk (MD) simulering er en vanlig beregningsteknikk som forutsier bevegelsen av partikler basert på deres intermolekylære krefter. Et additivt interaksjonspotensial beskriver de bundne og ikke-bundne interaksjonene mellom partikler i systemet30. Settet med parametere som brukes til å modellere disse interaksjonene kalles simuleringskraftfeltet (FF). Disse parametrene er hentet fra ab initio beregninger, semi-empiriske og kvantemekaniske beregninger, og optimalisert for reproduserte data fra røntgen- og elektrondiffraksjonseksperimenter, NMR, infrarød, Raman og nøytronspektroskopi, blant andre metoder31.

MD-simuleringer kan brukes til å studere systemer på ulike nivåer av oppløsning32,33,34. Systemer som tar sikte på å karakterisere spesifikke biomolekylære interaksjoner, hydrogenbindinger og andre høyoppløselige detaljer studeres med all-atom (AA) simuleringer. I motsetning til dette klumper grovkornede (CG) simuleringer atomer i større funksjonelle grupper for å redusere beregningskostnadene og undersøke dynamikk i større skala33. Plassert mellom disse to er united-atom (UA) simuleringer, hvor hydrogenatomer kombineres med sine respektive tunge atomer for å akselerere beregningen33,35. MD-simuleringer er et kraftig verktøy for utforskning av dynamikken til lipidmembraner og deres interaksjoner med andre molekyler, og kan tjene til å gi molekylære nivåmekanismer for prosesser av interesse ved membrangrensesnittet. I tillegg kan MD-simuleringer tjene til å begrense eksperimentelle mål og forutsi makromolekylære egenskaper til et gitt system basert på mikroskopiske interaksjoner.

Kort sagt, gitt et sett med innledende koordinater, hastigheter og et sett med forhold som konstant temperatur og trykk, beregnes posisjoner og hastigheter for hver partikkel gjennom numerisk integrasjon av interaksjonspotensialet og Newtons bevegelseslov. Dette gjentas iterativt, og genererer dermed en simuleringsbane30. Disse beregningene utføres med en MD-motor; blant flere open source-pakker er GROMACS36 en av de mest brukte motorene og den vi beskriver her. Det inkluderer også verktøy for analyse og konstruksjon av innledende koordinater for systemer som skal simuleres37. Andre MD-motorer inkluderer NAMD38; CHARMM39 og AMBER40, som brukeren kan velge etter eget skjønn basert på beregningsytelsen til et gitt system. Det er avgjørende å visualisere banene under simuleringen, samt for analyse og tolkning av resultatene. En rekke verktøy er tilgjengelige; Her diskuterer vi visuell molekylær dynamikk (VMD) som tilbyr et bredt spekter av funksjoner, inkludert tredimensjonal (3D) visualisering med ekspansive tegnings- og fargeleggingsmetoder, volumetrisk datavisualisering, bygging, forberedelse og analyse av baner for MD-simuleringssystemer og banefilmproduksjon uten begrensninger på systemstørrelse, hvis minnet er tilgjengelig41,42,43.

Nøyaktigheten av predikert dynamikk mellom systemkomponenter påvirkes direkte av FF valgt for forplantning av banen. Empirisk FF-parametriseringsarbeid forfølges av få forskningsgrupper. Den mest etablerte og vanlige FF for MD inkluderer CHARMM39, AMBER 40, Martini44, OPLS 45 og SIRAH 46. All-atom additiv CHARMM36 (C36) kraftfelt47 er mye brukt for AA MD av membransystemer da det nøyaktig gjengir eksperimentelle strukturelle data. Den ble opprinnelig utviklet av CHARMM-samfunnet, og den er kompatibel med flere MD-motorer som GROMACS og NAMD. Til tross for forbedringer på tvers av vanlige FFer, er det en kontinuerlig innsats for å forbedre parametersettene for å tillate prediksjoner som nært reproduserer eksperimentelle observerbare, drevet av interesser i bestemte studiesystemer48,49.

En utfordring ved simulering av lipidmembraner er å bestemme lengden på simuleringsbanen. Dette er i stor grad avhengig av beregningene som skal analyseres og prosessen som man tar sikte på å karakterisere. Vanligvis krever komplekse lipidblandinger lengre tid for å nå likevekt, da flere arter må ha nok tid til å diffundere på membranplanet og nå en stabil sideorganisasjon. En simulering sies å være i likevekt når egenskapen av interesse har nådd et platå og svinger om en konstant verdi. Det er vanlig praksis å oppnå minst 100-200 ns likevektsbane for å utføre passende statistisk analyse av egenskapene og interaksjonene av interesse. Det er vanlig å kjøre membransimuleringer mellom 200-500 ns, avhengig av lipidblandingens kompleksitet og forskningsspørsmål. Protein-lipid-interaksjoner krever vanligvis lengre simuleringstider, mellom 500-2000 ns. Noen tilnærminger for å akselerere prøvetaking og observerbar dynamikk med membransystemer er: (i) den svært mobile membranmimetiske (HMMM) -modellen, som erstatter endekarboner av lipider i membranen med organisk løsningsmiddel for å akselerere prøvetaking50; og (ii) hydrogenmasserepartisjonering (HMR), som kombinerer en brøkdel av massene til tunge atomer i et system med massene til hydrogenatomer for å tillate bruk av et større simuleringstidstrinn51.

Følgende protokoll diskuterer en nybegynnervennlig tilnærming til å bygge, kjøre og analysere realistiske membranmodeller ved hjelp av AA MD. Gitt arten av MD-simuleringer, må flere baner kjøres for å ta hensyn til reproduserbarhet og riktig statistisk analyse av resultatene. Det er gjeldende praksis å kjøre på minimum tre replikaer per system av interesse. Når lipidartene er valgt for organismen og prosessen av interesse, er grunnleggende trinn for å bygge, kjøre og analysere en simuleringsbane for et membransystem skissert og oppsummert i figur 2.

Figure 2
Figur 2. Skjematisk å kjøre MD-simuleringer. Oransje bokser tilsvarer de tre hovedtrinnene som er beskrevet i protokollen. Under er arbeidsflyten i simuleringsprosessen. Under systemoppsett er systemet som inneholder de første koordinatene til et oppløst membransystem bygget med en systeminngangsgenerator som CHARMM-GUI Membrane Builder. Etter overføring av inndatafilene til en databehandlingsklynge med høy ytelse, forplantes simuleringsbanen ved hjelp av en MD-motor, for eksempel GROMACS. Baneanalyse kan gjøres på dataklyngen eller en lokal arbeidsstasjon sammen med visualisering. Analysen utføres deretter, enten ved hjelp av pakker med innebygd analysekode som GROMACS og VMD, eller ved hjelp av Bash-skript eller ulike Python-biblioteker. Klikk her for å se en større versjon av denne figuren.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Bygge systemkoordinatene

  1. Naviger til CHARMM-GUI.org (C-GUI) ved hjelp av en nettleser. Naviger til Input Generator på toppmenyen, og velg deretter Membrane Builder fra de vertikale alternativene på venstre side av skjermen.
  2. Hvis du vil bygge et dobbeltlag, velger du Bilayer Builder.
    MERK: Førstegangsbrukere må aktivere gratiskontoen sin før de bygger sitt første sett med koordinater.
  3. Velg Membrane Only System. Lagre den genererte JOB-IDen for å hente systemet, og fortsett der du slapp under prosessen om nødvendig.
    1. Visualiser systemene under hvert trinn i byggeprosessen ved å klikke på Vis struktur i boksen øverst på siden, eller ved å laste ned den resulterende PDB-filen. Se opp for manglende komponenter, feil i den valgte inngangslipidarten eller lappestørrelsen.
  4. Velg komponentene i systemet.
    1. Velg alternativet Heterogen lipid , selv om du bygger et enkeltkomponent dobbeltlag; velg deretter en rektangulær bokstype .
    2. Velg 45 vannmolekyler per lipid for hydreringsalternativet; Dette er tilstrekkelig for å sikre et fullt hydrert dobbeltlag.
    3. Sett lengden på XY til å være basert på antall lipidkomponenter. Velg deretter antall lipider som skal inkluderes for hver lipidart bestemt foran modellen. For casestudien diskutert i neste avsnitt ble det bygget en membranmodell med 600 lipider fordelt symmetrisk i to brosjyrer. For å modellere ER av eukaryote celler ble en blanding av 336 DOPC, 132 DPPE, 60 CHOL, 72 POPI-lipider brukt til PI-modellen; og 330 DOPC, 126 DPPE, 54 CHOL, 66 POPI og 24 DOPS lipider for PI-PS-modellen.
      MERK: C-GUI gir et bibliotek med lipidstrukturer å velge mellom; Klikk på bildene ved siden av artsnavnet for sin kjemiske struktur.
    4. Skriv inn ønsket antall molekyler i øvre og nedre pakningsvedlegg i de to boksene ved siden av lipidnavnet. For casestudien er det ønskelig med en symmetrisk membransammensetning - sørg for at det ikke er feil om uovertruffen antall lipider i øvre brosjyre og nedre brosjyre. Hvis asymmetri er ønsket, må du kontrollere at totalt antall lipider i hver pakning er riktig. For detaljer om å bygge asymmetriske dobbeltlag, se arbeid av Park et al.52,53.
    5. Gå til toppen av lipidartslisten og klikk på Vis systeminfo-knappen. Monter komponenter og fullfør systemet.
    6. Velg alternativet for å inkludere nøytraliserende ioner ved hjelp av den avstandsbaserte algoritmen for raskere konvergens54.
    7. La standard løsningskonsentrasjon av KCl ligge på 0,15 mM. Dette er en typisk saltkonsentrasjon for å gjøre simuleringsboksen nøytral for membrandobbeltlag.
      MERK: Hvis en annen konsentrasjon skal brukes, må du klikke på Beregn løsningsmiddelsammensetning knappen etter at du har redigert den.
  5. Velg simuleringsbetingelser og -innstillinger.
    1. Velg CHARMM36m som FF-alternativ; Det brukes ofte til lipid- og proteinsimuleringer, men brukeren kan velge andre alternativer som diskuteres i introduksjonen.
    2. Velg GROMACS som MD-motor for å hente eksempelinndatafiler i det tilsvarende formatet.
      MERK: GROMACS anbefales for nye brukere fordi den har flere online ressurser, opplæringsprogrammer og fora for støtte. Brukeren kan velge mellom flere MD-motorer for å utforske alternativer når det gjelder simuleringsytelse og kodesyntaks.
    3. Velg Constant Particle-Pressure-Temperature (NPT)- ensemblet, det desidert mest brukte dynamiske ensemblet i simuleringen av lipid-dobbeltlag.
    4. Sett temperatur og trykk i Kelvin og barer til henholdsvis 303 K og 1 bar. Det er typisk å stille temperaturen mellom 298 K og 310 K for studier av biologiske prosesser for å sikre et dobbeltlag i væskeforstyrrelsestilstanden.
      MERK: Temperaturen avhenger av forholdene i prosessen som skal simuleres og kan endres etter behov. Avhengig av lipidartene i modellen, sett temperaturen til å være over overgangstemperaturen til rene lipidkomponenter før simuleringen kjøres.
  6. Last ned de resulterende filene og overfør til datamaskinklyngen.
    1. Visualiser det endelige systemet på en programvare du ønsker, for eksempel VMD eller PyMol, og inspiser for riktig oppsett.
      MERK: Det er for eksempel greit å sjekke at det er nok vann rundt membranen slik at lipider ikke interagerer med bildeatomer under simuleringen, og riktig brosjyreoppsett (et dobbeltlag uten mellomrom eller vann i mellom).

2. Kjøre MD-simuleringer

  1. Last opp og pakk ut filene fra C-GUI på dataklyngen. Naviger til Gromacs-katalogen . Lag et avslapningsskript.
  2. Følg retningslinjene for klyngen for formatet på et innsendingsskript.
    1. Kopier kommandoene som er oppført til rett over # Production-kommentaren i README-filen, til innsendingsskriptet.
      MERK: Denne standarden fra C-GUI er en løkke som kjører en 6-trinns avslapning av systemet. Hvis en annen og veletablert protokoll er ønsket, rediger den for å lese koordinatene som nettopp er bygget og lastet ned fra C-GUI.
  3. Send inn avslapningsskriptet og bekreft at alle utdatafiler er lastet ned for alle trinnene før du går videre til produksjonskjøringen. Etter ferdigstillelse, sjekk for følgende utdatafiler fra GROMACS, generert under 6-trinns kjøring: *.log, *.tpr, *.gro, *.edr, *.trr / *.xtc
  4. Opprett et produksjonskjøringsskript.
    1. Bruk en av eksemplene gmx grompp og gmx mdrun kommandoer fra noen av avslapningstrinnene som en mal.
    2. Før du bruker skriptet, må du sørge for å opprette en *.mdp-fil som inneholder lignende simuleringsalternativer som den medfølgende step7_production.mdp-filen.
      MERK: De angitte standardalternativene er standard for membransimuleringer; Ditances er oppført i NM og tid er gitt i picosekunder eller antall trinn (picosekunder / integrasjonstidstrinn). Oppdater nsteps for å kjøre opp til ønsket simuleringslengde (dette er lik dt * nsteps) og nst[x,v,f]out for å oppdatere datalagringsfrekvensen i antall integrasjonstrinn. For casestudien, sett nsteps til 250,000,000 for en simuleringslengde på 500ns (simuleringstid / integrasjonstrinn = 500,000 ps / 0,002ps), og nst [x,v,f] ut til 50,000 for å lagre data hver 100 ps
  5. Før du kjører selve simuleringen, kjør referansestudier for å bestemme den beste ressursbruken.
    1. Kjør systemet i 1-2 ns ved hjelp av forskjellige antall databehandlingsnoder.
      MERK: ER-casestudien ble sendt inn på UB-senteret for beregningsforskning (CCR) høyytelses databehandlingsklynge55 for 2 ns, hvor ytelsen ble testet for 1-10 noder.
    2. Sammenlign ytelsen i ns/dag for hver innstilling for å bestemme de optimale ressursene for kjøringen. Det er vanlig praksis å velge antall noder som resulterer i 75% -80% av maksimal ytelse.
  6. Kjør produksjonskjøringen.
    1. Kjør hvert system i triplikater for å sikre reproduserbarhet og utfør statistisk analyse av dataene.
    2. Utvid banen basert på referansemålingene hvis den tillatte køtiden for innsending i dataklyngen går tom. Bruk gmx convert-tpr, deretter gmx mdrun kommandoer for å fortsette bane samling.
      MERK: Alternativene er beskrevet i GROMACS-dokumentasjonen online (https://manual.gromacs.org/).
    3. For et membransystem, undersøk om systemet har nådd likevekt ved å beregne arealet per lipid over tid. Hvis den ikke har det, utvider du simuleringsbanen.

3. Analysere banen

  1. Visualiser systemet før du kjører analyse for å bestemme molekyler av interesse og del av banen som er beregnet for karakterisering.
  2. Komprimer råbanefiler (*.trr) ved å endre filformat til *.xtc og/eller hoppe over rammer for å redusere filstørrelsen og legge til rette for mer effektiv overføring til den lokale stasjonen for visualisering og analyse.
    MERK: For store membransystemer kan man velge å stripe vann fra banen for å redusere filstørrelsen ytterligere. Dette kan gjøres med indeksfiler på GROMACS, TCL-skript på VMD eller Python-biblioteker som MDAnalysis og MDTraj.
  3. Utfør valgte analyser under den likevektige delen av banen, som bestemt ut fra areal per lipid-tidsserie.
    MERK: Se diskusjon for mer informasjon om typiske membrananalyser og hvordan du kjører dem.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

For å illustrere bruken av protokollen og resultatene som kan oppnås, diskuteres en sammenligningsstudie for membranmodeller for endoplasmatisk retikulum (ER). De to modellene i denne studien var (i) PI-modellen, som inneholder de fire øverste lipidartene som finnes i ER, og (ii) PI-PS-modellen, som la til den anioniske fosfatidylserin (PS) lipidarten. Disse modellene ble senere brukt i en studie av et viralt protein og hvordan det interagerer med membranen, interessen for PS har blitt sitert som viktig for permeabiliseringsaktiviteten til virusproteinet23. For å inkorporere variasjon i lipidhalestrukturer ble membrankomposisjonene satt som DOPC:DPPE:CHOL:POPI (56:22:10:12 mol%) og DOPC:DPPE:CHOL:POPI:DOPS (55:21:11:9:4 mol%).

Membranene ble generert med CHARMM-GUI Membrane Builder. For å imøtekomme de 4 forskjellige lipidartene og senere proteinet, ble de symmetriske membranene satt til å inneholde 600 lipider / brosjyre. Innstillingene som ble anbefalt i protokollen ble brukt, med en temperatur på 303 K. For å sikre uavhengige replikaer ble byggeprosessen gjentatt tre ganger for hver membranmodell, noe som resulterte i en annen tilfeldig blanding av lipider hver gang. Etter å ha bygget systemene, ble inngangsfilene flyttet til UB-senteret for beregningsforskning (CCR) høyytelses databehandlingsklynge55 for å kjøre MD-simuleringer ved hjelp av GROMACS versjon 2020.5. Etter at 6-trinns avslapningsprotokollen ble fullført, ble benchmarking utført på bare ett system per modell (figur 3) siden antall atomer er like på tvers av alle replikaer. 75% av maksimal ytelse var ~ 78 ns / dag, derfor ble maksimalt 6 noder forespurt på klyngen for produksjonskjøringene. Hver replika ble kjørt for opptil 500 ns ved å sette nstep = 25 x 107 i *.mdp-filen og sende tilleggsmoduler til klyngen etter behov basert på referanseverdiene.

Figure 3
Figur 3. Eksempel på referansekjøringer. Brukes til å bestemme ytelsen til PI-modellen (315 000 atomer). Klikk her for å se en større versjon av denne figuren.

Arealet per lipid (APL) for hver replika er vist i figur 4. Dette ble beregnet fra XY-dimensjonene til simuleringsboksen lagret i *edr-simuleringsutdatafilen fra GROMACS ved hjelp av det innebygde energiprogrammet. Deretter ble det totale overflatearealet delt på antall totale lipider per brosjyre for å gi et estimat av APL i hver modell. For alle systemer ble likevekt bestemt som punktet der APL når et platå og svinger om en konstant verdi. I alle disse systemene nås likevekt innen de første 100 ns av banen (se figur 4). Basert på denne beregningen ble baner på 500 ns ansett som nok for disse systemene. All annen analyse av disse dobbeltlagene ble utført i løpet av de siste 400 ns banen, kjent som likevekts- eller produksjonsfasen. For å bestemme usikkerheten i hver beregnet verdi, anbefales blokkgjennomsnitt hver 10-20 ns. Fra APL-analysen har PI-PS-membranmodellen i gjennomsnitt 0,7 Å2 større overflateareal enn 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 modell vises i rødt, blått og grønt. Likevekt for alle systemer skjer innen første 100 ns. Usikkerhet rapporteres som standardfeil ved gjennomsnittet (SEM). Klikk her for å se en større versjon av denne figuren.

I tillegg presenteres to enkle analyser av membranstruktur. Figur 5 viser membrantykkelsen, estimert av avstanden mellom massesenteret (COM) av fosfatatomer av fosfolipider i topp- og bunnbrosjyrene. Dette ble beregnet ved hjelp av avstandsprogrammet i GROMACS, som krever en indeksfil som viser to atomgrupper, en for fosfatgruppene i den øverste brosjyren og en annen gruppe for de i den nederste brosjyren. Resultatene viser en statistisk forskjell mellom tykkelsene på de to membranmodellene, noe som illustrerer en omvendt sammenheng mellom APL og membrantykkelse. Til slutt viser figur 6 deuteriumordensparametrene for hver lipidart, et mål som kvantifiserer rekkefølgen av lipidhaler i tolags hydrofob kjerne56. Fettsyrehaler er klassifisert som sn1, den som er festet til det terminale oksygenet i glyserolryggraden, og sn2, festet til det sentrale oksygenet i glyserolgruppen. Resultatene viser at det er liten eller ingen forskjell mellom rekkefølgen av lipidhaler mellom modellene, bortsett fra DPPE som viser en liten økning i rekkefølge 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 modell vises i rødt, blått og grønt. Usikkerhet rapporteres som standardfeil ved gjennomsnittet (SEM). Klikk her for å se en større versjon av denne figuren.

Figure 6
Figur 6. Eksempler på Deuterium-ordreparametere. (A) DOPC, (B) DPPE, (C) POPI, og (D) DOPS lipidarter. Heltrukne linjer for sn1, stiplede linjer for sn2, PI-modell i rødt og PI-PS-modell i blått. Usikkerhet rapporteres som standardfeil ved gjennomsnittet (SEM). Klikk her for å se en større versjon av denne figuren.

Komplekse membranmodeller kan brukes til å studere relevansen av spesifikke lipidarter og hvordan disse modulerer interaksjoner mellom biomolekyler og membranen. Prøvestudier fra laboratoriet viser: (1) membransammensetning modulerer samspillet mellom proteiner19, og (2) lipidhalemetning og membranoverflateladning påvirker permeasjon og lateral organisering av små molekyler17,57. Ved å bruke protokollen beskrevet ovenfor og lignende analyse som den som er presentert i tidligere avsnitt, gir arbeidet til Li et al. innsikt fra eksperiment og simulering om samspillet mellom D112, et potensielt fotodynamisk terapimiddel, og forskjellige lipidblandinger17. Et dobbeltlag med PC- og PS-lipider ble undersøkt i et eksperiment for å karakterisere D112-partisjonering i dobbeltlaget. Vi utførte simuleringer av forskjellige rasjoner av PC- og PS-lipider, med varierende fettsyrehalelengder og metning, dvs. antall dobbeltbindinger, for å bestemme effekten av overflateladning og hydrofob miljø på D112-membraninteraksjon. Mens elektrostatiske interaksjoner driver innledende binding av D112 til anioniske PS-lipider, trekker hydrofobe interaksjoner molekylet inn i membrankjernen via to mulige mekanismer (se figur 7A-B). Inne i membranen lokaliseres D112 fortrinnsvis til PC-rike domener, enten som monomer eller dimer.

Figure 7
Figur 7. Ytterligere prøvesystem etter den presenterte protokollen. Simuleringer av D112 med modellmembraner som identifiserer to innsettingsmekanismer (A) harpun og (B) flip; (C) orientering av D112-dimerer; og (D) lateral fordeling av D112-molekyler (blå konturkart) på en membranmodell med hensyn til ladede lipider (oransje klynger). Full studie finner du i 17. Klikk her for å se en større versjon av denne figuren.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Eksperimentelle teknikker kan visualisere biomolekyler i høy oppløsning ved hjelp av kryo-elektronmikroskopi (cryo-EM)58, fluorescensteknikker og atomkraftmikroskopi (AFM)59. Det er imidlertid utfordrende å fange samspillet og dynamikken i molekylære interaksjoner som ligger til grunn for biologiske veier, sykdomspatogenese og terapeutisk levering på atom- eller aminosyrenivå. Her ble evnen til MD-simuleringer for å studere lipidmembraner og hovedtrinnene for å designe, bygge, kjøre og analysere disse systemene diskutert. Fordelen med denne beregningsmetoden er de atomistiske detaljene og underliggende ligningene som modellerer molekylære interaksjoner for å foreslå og karakterisere molekylære mekanismer ved membrangrensesnittet.

Et kritisk skritt ved simulering av cellemembraner er en solid forståelse av det biologiske systemet som skal studeres. Lipidartene som skal inkluderes, avhenger av organismen, det cellulære rommet og, viktigst, prosessen som skal studeres. Simuleringer med symmetriske membraner er et godt utgangspunkt for nybegynnere MD-brukere. Asymmetri, selv om det er et kjent trekk ved membraner som PM, legger til potensielle vanskeligheter fordi det krever lengre simuleringstider for å ordentlig prøve lateral diffusjon og utveksling av steroler mellom brosjyrer. Asymmetrien introduserer også en mismatch i APL av hver brosjyre som må behandles nøye i simulering52,53. Et annet viktig skritt er å bestemme størrelsen på membranplasteret som skal simuleres, som avhenger av kompleksiteten til lipidblandingen og beregningsressursene som er tilgjengelige; Større membranplaster tar lengre databehandlingstid, noe som kanskje ikke alltid er mulig. En størrelse på minst 150 lipider / brosjyre for homogene eller binære systemer, og opptil 600 lipider / brosjyre for mer komplekse sammensetninger anbefales. Hvis membranmodellen brukes til proteinmembranstudier, er en god tommelfingerregel å lage et membranplaster som rommer mellom 2-3 ganger den lengste dimensjonen av proteinet. Når man undersøker små molekyler, bør patchstørrelsesdekningen forbli under 30% -40% for å unngå endelige størrelseseffekter. Avhengig av metrikken for å bestemme likevekt, kan komplekse lipidblandinger lett kreve minst 3 ganger lengre simuleringstider sammenlignet med rene lipid- eller binære blandinger.

Det er flere alternativer for å sette opp de første koordinatene for biomolekylære simuleringer. Vanlige programvarepakker inkluderer GROMACS36, VMD 42, PACKMOL60, Moltemplate 61 og CHARMM-GUI 62. C-GUI er en nettbasert plattform designet for å lette byggingen av disse systemene, med et bredt utvalg av molekyler i lipidbiblioteket. Det gir inndatafiler for forskjellige MD-motorer og kraftfeltparametere, noe som gjør det til et flott utgangspunkt for nybegynnere. Under byggetrinnene gir C-GUI estimater av arealet per lipid for individuelle lipidarter. Det er nyttig å øke dette estimatet med 10% -15% når man bygger komplekse lipidblandinger (5+ arter), spesielt hvis man bruker steroler i modellen. Hvis et lipid av interesse ikke finnes i C-GUI-biblioteket, kan man bruke en nær lipidstruktur som plassholder og deretter endre strukturen ved hjelp av VMD- eller Python-skript etter bygging og innledende avslapning av systemet. Siden C36m er et additivt kraftfelt63, er det vanligvis ingen re-parametrisering nødvendig for den oppdaterte lipidstrukturen, forutsatt at alle atomtypene i det nye molekylet er tilstede i kraftfeltet. Det skal bemerkes at ikke alle tilgjengelige alternativer på C-GUI har blitt dekket i denne protokollen, men de som er relevante for nybegynnere og de som er i tråd med vanlig praksis i feltet har blitt vist; Avanserte alternativer har blitt adressert og publisert av utviklerne54,62,64.

Simuleringsbetingelser som det termodynamiske ensemblet, temperatur og trykk vil avhenge av studiens art. For denne protokollen ble betingelsene beholdt som standard i C-GUI, som er typiske for membransimuleringer i væskefasen. Gelfasen er ikke ønskelig å modellere biologiske membraner, den forekommer under overgangstemperaturen til lipidene, og det er lett å gjenkjenne ved parallell justering av lipidhaler i en vinkel. Dette kan endres for ulike studiemål eller i henhold til eksperimenter fra samarbeidspartnere, hvis noen. Under MD-løpene inkluderer typiske innstillinger for membrandobbeltlag: (1) 1-4 fs tidstrinn for AA MD for å fange de raskeste vibrasjonsbevegelsene av hydrogen-oksygenbindinger65; vanligvis brukes 2 fs til produksjon, men 1 fs brukes under avslapnings- og minimeringstrinn, og 4 fs kan brukes hvis HMR51 er ansatt; (2) datalagringsfrekvenser mellom 0,05-0,2 ns er vanlig praksis; (3) Verlet cutoff skjema66, med en myk og hard cutoff på 1,0 og 1,2 nm for van der Waal interaksjoner. Innstilling av større grenseradius senker simuleringsytelsen ettersom flere interaksjoner beregnes mellom atompar; Imidlertid er det nødvendig med en større avskjæring for å beregne sidetrykkprofilene, som vanligvis krever avskjæringer på 2,0-2,4 nm; (4) partikkelnett Edward (PME) skjema67 med en avskjæring på 1,2 nm brukes til langtrekkende elektrostatiske interaksjoner; (5) LINCS-algoritmen68 brukes i GROMACS for å begrense hydrogenbindinger; (6) en vanlig trykkregulator er Parrinello-Rahman barostat påført semi-isotropisk for tolags; (7) en vanlig temperaturregulator er Nose-Hoover-termostaten. Merk at det finnes flere typer barostater og termostater som kan brukes i simulering og avhenger av arten av studien69.

APL, membrantykkelse og sterol flip-flop er vanlige beregninger for å avgjøre om et system har nådd termisk likevekt, som kan variere fra 50 ns for rene dobbeltlag til 4000 ns for komplekse asymmetriske blandinger, avhengig av den valgte metrikken. Analyse av de mekaniske, strukturelle og dynamiske egenskapene til dobbeltlaget skal beregnes etter at likevekt er nådd, dvs. når egenskapen av interesse når et platå og svinger i forhold til en gjennomsnittsverdi. Den likevektede delen av banen, også kjent som produksjonsfasen, bør være minst 100 ns lang for riktig statistisk analyse og estimater av usikkerhet. Vanlige membranegenskaper som kan beregnes fra simulering inkluderer, men er ikke begrenset til, deuteriumordreparametere, elektrontetthetsprofiler, radiale fordelingsfunksjoner, hellingsvinkler av lipidhaler eller hodegrupper, kompressibilitetsmodul, avslapningstider for lipidrotasjon, bøyemodul, laterale trykkprofiler, lipidklyngemønstre og vanndynamikk nær membrangrensesnittet35,70, 71; en gjennomgang av Moradi et al. beskriver noen av disse mer detaljert70. Disse analysene kan utføres med innebygde analyseverktøy fra GROMACS og VMD, eller ved hjelp av Python, Bash eller TCL scripting. Det er også mange åpen kildekode Python-biblioteker som MDAnalysis 72,73, MDTraj74, Pysimm 75, Pyemma 76 og PyLipID 77 som letter analysen av simuleringsbaner.

Denne protokollen er fokusert på en all-atom tilnærming, som er beregningsmessig krevende hvis målet med en studie er å karakterisere dynamikken til store proteiner som interagerer med store membranplaster. Ikke desto mindre har økning i beregningskraft og bruk av grafiske enhetsprosessorer (GPUer) favorisert simuleringene av større systemer. MD-simuleringer krever nok prøvetaking av systemkonformasjoner for å beregne eiendomsgjennomsnitt som nøyaktig reproduserer eksperimentelle verdier. Realistisk membranmodellering tar sikte på å reprodusere et nøyaktig mekanisk og strukturelt miljø for cellemembranen av interesse, noe som direkte påvirker samspillet mellom andre biomolekyler og letter prøvetaking av sjeldne hendelser78,79,80. Ved tolkning av dataene må man være forsiktig med å validere observasjoner med eksperimentelle trender eller faktiske verdier for lignende systemer for å verifisere at modellsystemene ikke bare er en artefakt av simuleringen eller utgjør ufysiologiske hendelser78. Avslutningsvis er MD-simuleringer en kraftig modell for å undersøke molekylære interaksjoner basert på statistisk termodynamikk. MD-simuleringer kan brukes til å undersøke effekten av lipiddiversitet på membranstrukturelle og mekaniske egenskaper, noe som igjen resulterer i forskjellige interaksjoner med biomolekyler under cellulære prosesser. Protokollen gir en nybegynnervennlig tilnærming til å designe, bygge, kjøre og analysere komplekse lipidmembransystemer. Disse trinnene tjener til å simulere membran-bare systemer samt protein eller små molekyler nær membrangrensesnittet.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Forfatterne har ingen konkurrerende interesser å avsløre.

Acknowledgments

Forfatterne takker Jinhui Li og Ricardo X. Ramirez for deres simuleringsbaner og diskusjoner under skrivingen av dette manuskriptet. OC ble støttet av 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 simuleringsstudier cellemembraner lipidarter mekaniske egenskaper strukturelle egenskaper membransammensetning cellesignaleringsprosesser beregningsmetoder biomolekylære interaksjoner molekylær dynamikk MD-simuleringer lipid-dobbeltlag nybegynnervennlig programvare hydrofob miljø mekanisk miljø membranegenskaper biomolekylinteraksjoner
Realistisk membranmodellering ved bruk av 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