Waiting
Login processing...

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

Biology

Реалистичное моделирование мембран с использованием сложных липидных смесей в имитационных исследованиях

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

Липидное разнообразие мембран по структуре и составу является важным фактором, влияющим на клеточные процессы, и может быть маркером заболевания. Молекулярно-динамическое моделирование позволяет изучать мембраны и их взаимодействие с биомолекулами с атомистическим разрешением. Здесь мы предоставляем протокол для создания, запуска и анализа сложных мембранных систем.

Abstract

Липиды являются структурными строительными блоками клеточных мембран; Виды липидов различаются в разных клеточных органеллах и в разных организмах. Это разнообразие приводит к различным механическим и структурным свойствам мембраны, которые непосредственно влияют на молекулы и процессы, происходящие на этой границе. Липидный состав динамичен и может служить для модуляции клеточных сигнальных процессов. Вычислительные подходы все чаще используются для прогнозирования взаимодействий между биомолекулами и получения молекулярной информации для экспериментальных наблюдений. Молекулярная динамика (МД) — это метод, основанный на статистической механике, который предсказывает движение атомов на основе сил, которые на них действуют. МД-моделирование может быть использовано для характеристики взаимодействия биомолекул. Здесь мы кратко представим технику, опишем практические шаги для начинающих, заинтересованных в моделировании липидных бислоев, продемонстрируем протокол с помощью программного обеспечения, удобного для начинающих, и обсудим альтернативы, проблемы и важные соображения процесса. В частности, мы подчеркиваем актуальность использования сложных липидных смесей для моделирования интересующей клеточной мембраны для захвата соответствующих гидрофобных и механических сред при моделировании. Мы также обсудим некоторые примеры, когда состав и свойства мембраны модулируют взаимодействие бислоев с другими биомолекулами.

Introduction

Липиды являются основными компонентами мембран, которые обеспечивают границы для клеток и обеспечивают внутриклеточную компартментализацию 1,2,3. Липиды амфифильные, с полярной головной группой и двумя гидрофобными хвостами жирных кислот; Они самоорганизуются в бислой, чтобы свести к минимуму контакт гидрофобных цепей с водой 3,4. Различные комбинации гидрофильных головных групп и гидрофобных хвостов приводят к образованию различных классов липидов в биологических мембранах, таких как глицерофосфолипиды, сфинголипиды и стерины (рис. 1)1,5,6. Глицерофосфолипиды являются первичными строительными блоками мембран эукариотических клеток, состоящих из глицерофосфата, длинноцепочечных жирных кислот и головных групп с низкой молекулярной массой7. Липидная номенклатура основана на различиях в головных группах; Например, фосфатидилхолин (ФК), фосфатидилэтаноламин (ПЭ), фосфатидилсерин (ФС), фосфатидилглицерин (ПГ), фосфатидил-инозитол (ПИ) или немодифицированная фосфатидная кислота (ПА)5,6. Что касается гидрофобных хвостов, то длина и степень насыщения варьируются, как и структура позвоночника. Возможные комбинации многочисленны, в результате чего в клетках млекопитающих образуются тысячи видов липидов6. Изменения липидного состава мембран приводят к различным механическим и структурным свойствам мембраны, которые влияют на активность как интегральных мембранных белков, так и периферических белков 2,6.

Figure 1
Рисунок 1. Репрезентативные липидные структуры. Хвосты жирных кислот показаны синими прямоугольниками, общие липидные группы головок — оранжевым, а костяк образцов — фиолетовым. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.

Липиды являются активными игроками в клеточных процессах, активации белков в сигнальных каскадах и здоровом клеточном гомеостазе 8,9. Измененная липидная динамика является следствием инфекции или может быть маркерами патогенеза заболевания 10,11,12,13,14,15. Изучение мембранных липидов и их роли в проникновении малых молекул в качестве барьеров для клетки имеет значение для систем доставки лекарств и механизмов разрушения мембран16,17. Химическое разнообразие и различное соотношение видов липидов в органеллах, тканях и организмах приводят к сложной мембранной динамике. Поэтому важно сохранить эти характеристики при моделировании липидных бислоев, особенно когда целью исследования является изучение взаимодействия других биомолекул с мембраной. Виды липидов, которые следует учитывать в модели, зависят от организма и интересующего клеточного компартмента. Например, PG-липиды важны для переноса электронов в фотосинтетических bateria18, в то время как фосфорилированные инозитоловые липиды (PIPs) играют важную роль в динамике плазматической мембраны (PM) и сигнальных каскадах в клетках млекопитающих 19,20. Внутри клетки PM, эндоплазматический ретикулум (ER), мембраны Гольджи и митохондрии содержат уникальное количество липидов, которые влияют на их функцию. Например, ER является центром липидного биогенеза и транспортирует холестерин к PM и Гольджи; он содержит высокое липидное разнообразие с обилием ПК и ПЭ, но низкое содержание стеринов, что способствует текучести мембран21,22,23,24. Напротив, PM включает в себя сотни и даже тысячи видов липидов в зависимости от организма25, он содержит высокие уровни сфинголипидов и холестерина, которые придают ему характерную жесткость по сравнению с другими мембранами в клетке24. Асимметрию створок следует учитывать для мембран, таких как ПМ, которая имеет внешнюю створку, богатую сфингомиелином, ПК и холестерином, и внутреннюю створку, богатую ПЭ, ПИ и ФС, которые важны для сигнальных каскадов24. Наконец, липидное разнообразие также приводит к образованию микродоменов, различающихся по упаковке и внутреннему порядку, известных как липидные рафты24,26; Они демонстрируют латеральную асимметрию, предположительно играют важную роль в клеточнойсигнализации, и их трудно изучать из-за их переходной природы.

Экспериментальные методы, такие как рентгеноскопия, спектроскопия и модельные мембранные системы, такие как гигантские одноламеллярные везикулы (ГУВ), были использованы для исследования взаимодействия биомолекул с мембранами. Тем не менее, сложную и динамичную природу задействованных компонентов трудно охватить только экспериментальными методами. Например, существуют ограничения на визуализацию трансмембранных доменов белков, сложность мембран, используемых в таких исследованиях, и идентификацию промежуточных или переходных состояний во время интересующего процесса27,28,29. С момента появления молекулярного моделирования липидных монослоев и бислоев в 1980-х годах29 липидно-белковые системы и их взаимодействия теперь могут быть количественно оценены на молекулярном уровне. Моделирование молекулярной динамики (МД) — это распространенный вычислительный метод, который предсказывает движение частиц на основе их межмолекулярных сил. Потенциал аддитивного взаимодействия описывает связанные и несвязанные взаимодействия между частицами системы30. Набор параметров, используемых для моделирования этих взаимодействий, называется силовым полем моделирования (FF). Эти параметры получены в результате вычислений ab initio, полуэмпирических и квантово-механических расчетов и оптимизированы для воспроизведения данных рентгеновских и электронных дифракционных экспериментов, ЯМР, инфракрасной, комбинационной и нейтронной спектроскопии, а также других методов31.

МД-моделирование может быть использовано для исследования систем с различными уровнями разрешения32,33,34. Системы, целью которых является характеристика конкретных биомолекулярных взаимодействий, водородных связей и других деталей с высоким разрешением, изучаются с помощью моделирования всех атомов (АА). В отличие от этого, крупнозернистое (CG) моделирование объединяет атомы в более крупные функциональные группы для снижения вычислительных затрат иизучения крупномасштабной динамики. Между этими двумя моделями находятся модели объединенных атомов (UA), в которых атомы водорода объединяются с соответствующими тяжелыми атомами для ускорения вычислений33,35. Моделирование МД является мощным инструментом для изучения динамики липидных мембран и их взаимодействия с другими молекулами и может служить для создания механизмов на молекулярном уровне для интересующих процессов на границе раздела мембран. Кроме того, МД-моделирование может служить для сужения экспериментальных мишеней и прогнозирования макромолекулярных свойств данной системы на основе микроскопических взаимодействий.

Короче говоря, имея набор начальных координат, скоростей и набор условий, таких как постоянная температура и давление, положения и скорости каждой частицы вычисляются путем численного интегрирования потенциала взаимодействия и закона движения Ньютона. Это повторяется итеративно, тем самым генерируя траекториюмоделирования 30. Эти вычисления выполняются с помощью движка MD; Среди нескольких пакетов с открытым исходным кодом GROMACS36 является одним из наиболее часто используемых движков, и именно его мы опишем здесь. Он также включает в себя инструменты для анализа и построения начальных координат моделируемых систем37. Другие двигатели MD включают NAMD38; CHARMM39 и AMBER40, которые пользователь может выбрать по своему усмотрению в зависимости от вычислительной производительности данной системы. Очень важно визуализировать траектории во время моделирования, а также для анализа и интерпретации результатов. Доступны различные инструменты; Здесь мы обсудим визуальную молекулярную динамику (VMD), которая предлагает широкий спектр возможностей, включая трехмерную (3-D) визуализацию с расширенными методами рисования и раскрашивания, визуализацию объемных данных, построение, подготовку и анализ траекторий систем моделирования МД, а также создание траекторных фильмов без ограничений по размеру системы, если доступна память41,42,43.

На точность предсказанной динамики между компонентами системы напрямую влияет ФФ, выбранный для распространения траектории. Эмпирическая параметризация ФФ предпринимается несколькими исследовательскими группами. Наиболее распространенными и распространенными FF для MD являются CHARMM39, AMBER 40, Martini44, OPLS 45 и SIRAH 46. Силовое поле47 из всех атомов CHARMM36 (C36) широко используется для АА МД мембранных систем, так как оно точно воспроизводит экспериментальные структурные данные. Первоначально он был разработан сообществом CHARMM и совместим с несколькими движками MD, такими как GROMACS и NAMD. Несмотря на усовершенствования во всех распространенных FF, предпринимаются постоянные усилия по совершенствованию наборов параметров, позволяющих делать прогнозы, точно воспроизводящие экспериментальные наблюдаемые объекты, что обусловлено интересами к конкретным системам исследования48,49.

Сложность при моделировании липидных мембран заключается в определении длины траектории моделирования. Это во многом зависит от анализируемых показателей и процесса, который мы хотим охарактеризовать. Как правило, сложным липидным смесям требуется больше времени для достижения равновесия, так как большее количество видов должно иметь достаточно времени, чтобы диффундировать в плоскости мембраны и достичь стабильной латеральной организации. Моделирование называется равновесным, когда интересующее свойство достигло плато и колеблется около постоянной величины. Общепринятой практикой является получение по крайней мере 100-200 нс равновесной траектории для проведения соответствующего статистического анализа интересующих свойств и взаимодействий. Обычно моделирование только мембраны выполняется в диапазоне от 200 до 500 нс, в зависимости от сложности липидной смеси и исследовательского вопроса. Белок-липидные взаимодействия обычно требуют более длительного времени моделирования, от 500 до 2000 нс. Некоторые подходы к ускорению отбора проб и наблюдаемой динамике с помощью мембранных систем включают: (i) высокоподвижную мембранно-миметическую модель (HMMM), в которой конечные углероды липидов в мембране заменяются органическим растворителем для ускорения отбора проб50; и (ii) перераспределение массы водорода (HMR), которое объединяет часть масс тяжелых атомов в системе с массами атомов водорода, что позволяет использовать больший временной шаг51 моделирования.

В следующем протоколе описывается удобный для начинающих подход к построению, запуску и анализу реалистичных мембранных моделей с использованием AA MD. Учитывая природу моделирования МД, необходимо использовать несколько траекторий для обеспечения воспроизводимости и надлежащего статистического анализа результатов. В настоящее время рекомендуется запускать не менее трех реплик на интересующую систему. После того, как липидные формы были выбраны для интересующего организма и процесса, основные шаги по построению, запуску и анализу траектории моделирования мембранной системы описаны и обобщены на рисунке 2.

Figure 2
Рисунок 2. Schematic для запуска MD-моделирования. Оранжевые прямоугольники соответствуют трем основным шагам, описанным в протоколе. Ниже показан рабочий процесс моделирования. Во время настройки системы система, содержащая начальные координаты сольватированной мембранной системы, строится с помощью системного генератора входных данных, такого как CHARMM-GUI Membrane Builder. После передачи входных файлов в кластер высокопроизводительных вычислений траектория моделирования распространяется с помощью движка MD, такого как GROMACS. Анализ траектории может быть выполнен на вычислительном кластере или локальной рабочей станции вместе с визуализацией. Затем анализ выполняется либо с помощью пакетов со встроенным кодом анализа, таких как GROMACS и VMD, либо с помощью сценариев Bash или различных библиотек Python. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Построение координат системы

  1. Перейдите в CHARMM-GUI.org (C-GUI) с помощью веб-браузера. В верхнем меню перейдите в раздел Генератор входных данных, затем выберите Membrane Builder из вертикальных опций в левой части экрана.
  2. Чтобы создать двухслойный элемент, выберите Bilayer Builder.
    ПРИМЕЧАНИЕ: Новые пользователи должны активировать свою бесплатную учетную запись перед созданием своего первого набора координат.
  3. Выберите Только мембранная система. Сохраните сгенерированный идентификатор задания, чтобы получить систему и при необходимости продолжить с того места, где вы остановились во время процесса.
    1. Визуализируйте системы на каждом этапе процесса сборки, нажав кнопку «Просмотреть структуру » в поле, расположенном в верхней части страницы, или загрузив полученный PDB-файл. Обратите внимание на отсутствующие компоненты, ошибки в выбранных входных видах липидов или размере пластыря.
  4. Выберите компоненты системы.
    1. Выберите опцию Heterogeneous Lipid , даже если вы строите однокомпонентный бислой; затем выберите тип прямоугольной рамки .
    2. Выберите 45 молекул воды на липид для опции гидратации; Этого достаточно, чтобы обеспечить полностью увлажненный бислой.
    3. Установите длину XY, основанную на количестве липидных компонентов. Затем выберите количество липидов, которое будет включено для каждого вида липидов, определенного перед моделью. Для тематического исследования, обсуждаемого в следующем разделе, была построена мембранная модель с 600 липидами, симметрично распределенными в двух листках. Для моделирования ЭР эукариотических клеток использовали смесь липидов 336 ДОФК, 132 ДПФП, 60 ЧОЛ, 72 ПОПИ; и 330 ДОФК, 126 ДПЭВП, 54 ХОЛ, 66 ПОПИ и 24 ДОФС липидов для модели ПИ-ПС.
      ПРИМЕЧАНИЕ: C-GUI предоставляет библиотеку липидных структур на выбор; Нажмите на изображения рядом с названием вида, чтобы узнать его химическую структуру.
    4. Введите желаемое количество молекул в верхнем и нижнем листке в два поля рядом с названием липида. Для конкретного случая желателен симметричный состав мембраны - убедитесь, что нет ошибок о несовпадающем количестве липидов в верхнем и нижнем листках. Если требуется асимметрия, убедитесь, что общее количество липидов в каждом листке правильное. Подробнее о построении асимметричных бислоев см. в работе Park et al.52,53.
    5. Перейдите в верхнюю часть списка видов липидов и нажмите кнопку «Показать информацию о системе». Соберите компоненты и завершите систему.
    6. Выберите опцию включения нейтрализующих ионов с использованием алгоритма на основе расстояния для более быстрой сходимости54.
    7. Оставьте концентрацию KCl в растворе по умолчанию на уровне 0,15 мМ. Это типичная концентрация соли, чтобы сделать нейтральной рамку моделирования для мембранных бислоев.
      ПРИМЕЧАНИЕ: Если необходимо использовать другую концентрацию, обязательно нажмите кнопку «Рассчитать состав растворителя » после ее редактирования.
  5. Выберите условия и настройки моделирования.
    1. Выберите CHARMM36m в качестве параметра FF; Он обычно используется для моделирования липидов и белков, но пользователь может выбрать и другие варианты, обсуждаемые во введении.
    2. Выберите GROMACS в качестве движка MD для получения образцов входных файлов в соответствующем формате.
      ПРИМЕЧАНИЕ: GROMACS рекомендуется для новых пользователей, потому что у него есть множество онлайн-ресурсов, учебных пособий и форумов для поддержки. Пользователь может выбрать один из нескольких движков MD для изучения вариантов с точки зрения производительности моделирования и синтаксиса кода.
    3. Выберите ансамбль Constant Particle-Pressure-Temperature (NPT), наиболее часто используемый динамический ансамбль при моделировании липидных бислоев.
    4. Установите температуру и давление в кельвинах и барах равными 303 К и 1 бар соответственно. Для изучения биологических процессов обычно устанавливается температура от 298 К до 310 К, чтобы обеспечить бислой в жидком состоянии.
      ПРИМЕЧАНИЕ: Температура зависит от условий моделируемого процесса и может быть изменена по мере необходимости. В зависимости от вида липидов в модели, перед запуском моделирования установите температуру выше температуры перехода чистых липидных компонентов.
  6. Скачайте получившиеся файлы и перенесите в кластер компьютеров.
    1. Визуализируйте окончательную систему на выбранном программном обеспечении, таком как VMD или PyMol, и проверьте правильность настройки.
      ПРИМЕЧАНИЕ: Полезно проверить, например, наличие достаточного количества воды вокруг мембраны, чтобы липиды не взаимодействовали с атомами изображения во время моделирования, а также правильную настройку створки (бислой без пространства или воды между ними).

2. Запуск MD-симуляций

  1. Загрузите и распакуйте файлы из C-GUI на вашем вычислительном кластере. Перейдите в каталог Gromacs . Создайте сценарий отправки релаксации.
  2. Следуйте рекомендациям кластера по формату сценария отправки.
    1. Скопируйте команды, перечисленные до тех пор, пока они не окажутся над комментарием # Production в файле README, в сценарий отправки.
      ПРИМЕЧАНИЕ: Это значение по умолчанию из C-GUI представляет собой цикл, который запускает 6-ступенчатую релаксацию системы. Если требуется другой и хорошо зарекомендовавший себя протокол, отредактируйте его, чтобы он считывал координаты, только что созданные и загруженные из C-GUI.
  3. Отправьте сценарий релаксации и убедитесь, что все выходные файлы были загружены для всех шагов, прежде чем переходить к рабочему запуску. По завершении проверьте наличие следующих выходных файлов из GROMACS, сгенерированных во время 6-этапного выполнения: * .log, *.tpr, *.gro, *.edr, *.trr / *.xtc
  4. Создайте сценарий производственного выполнения.
    1. Используйте в качестве шаблона одну из примеров команд gmx grompp и gmx mdrun из любого из шагов релаксации.
    2. Перед использованием скрипта обязательно создайте файл *.mdp, содержащий параметры моделирования, аналогичные предоставленному файлу step7_production.mdp.
      ПРИМЕЧАНИЕ: Предоставленные параметры по умолчанию являются стандартными для моделирования мембран; Значения указываются в нм, а время указывается в пикосекундах или количестве шагов (пикосекунды / шаг по времени интегрирования). Обновите nsteps, чтобы выполнить моделирование до желаемой длины (это равно dt * nsteps), и nst[x,v,f]out, чтобы обновить частоту сохранения данных в количестве шагов интегрирования. Для примера задайте nsteps равным 250 000 000 для длительности моделирования 500 нс (время моделирования / шаг интегрирования = 500 000 пс / 0,002 пса), а nst[x,v,f]out равным 50 000 для сохранения данных каждые 100 пс
  5. Перед запуском фактического моделирования выполните сравнительные исследования, чтобы определить наилучшее использование ресурсов.
    1. Запустите систему в течение 1-2 нс, используя разное количество вычислительных узлов.
      ПРИМЕЧАНИЕ: Кейс ER был представлен на кластеревысокопроизводительных вычислений 55 Центра вычислительных исследований (CCR) UB на 2 нс, где производительность была протестирована на 1-10 узлах.
    2. Сравните производительность в нс/день для каждого параметра, чтобы определить оптимальные ресурсы для выполнения. Общепринятой практикой является выбор количества узлов, которое обеспечивает 75–80% максимальной производительности.
  6. Запустите производственный цикл.
    1. Запустите каждую систему в трех экземплярах, чтобы обеспечить воспроизводимость и провести статистический анализ данных.
    2. Продлите траекторию на основе бенчмарков, если допустимое время ожидания в очереди на отправку на вычислительном кластере закончится. Используйте команды gmx convert-tpr, а затем gmx mdrun, чтобы продолжить сбор траекторий.
      ПРИМЕЧАНИЕ: Опции описаны в документации GROMACS онлайн (https://manual.gromacs.org/).
    3. Для системы, состоящей только из мембраны, проверьте, достигла ли система равновесия, вычислив площадь на липид с течением времени. Если это не так, продлите траекторию моделирования.

3. Анализ траектории

  1. Визуализируйте систему перед выполнением анализа, чтобы определить интересующие молекулы и часть траектории, предназначенную для характеризации.
  2. Сжимайте необработанные файлы траекторий (*.trr), изменяя формат файла на *.xtc и/или пропуская кадры, чтобы уменьшить размер файла и упростить более эффективную передачу на локальную станцию для визуализации и анализа.
    ПРИМЕЧАНИЕ: Для больших мембранных систем можно удалить воду с траектории, чтобы еще больше уменьшить размер файла. Это можно сделать с помощью индексных файлов на GROMACS, скриптов TCL на VMD или библиотек Python, таких как MDAnalysis и MDTraj.
  3. Выполнение выбранных анализов на равновесном участке траектории, определяемом на основе временных рядов «площадь на липид».
    ПРИМЕЧАНИЕ: Обратитесь к обсуждению для получения более подробной информации о типичных мембранных анализах и о том, как их проводить.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Для иллюстрации использования протокола и результатов, которые могут быть получены, обсуждается сравнительное исследование мембранных моделей эндоплазматического ретикулума (ЭР). В этом исследовании использовались две модели: (i) модель PI, которая содержит четыре основных вида липидов, обнаруженных в ER, и (ii) модель PI-PS, в которой были добавлены липидные формы анионного фосфатидилсерина (PS). Эти модели позже были использованы в исследовании вирусного белка и того, как он взаимодействует с мембраной, интерес к PS был назван важным для пермеабилизации вирусного белка23. Для включения разнообразия в структуры липидного хвоста составы мембран были установлены как DOPC:DPPE:CHOL:POPI (56:22:10:12 mol%) и DOPC:DPPE:CHOL:POPI:DOPS (55:21:11:9:4 mol%).

Мембраны были сгенерированы с помощью CHARMM-GUI Membrane Builder. Чтобы вместить 4 различных вида липидов, а затем и белок, симметричные мембраны были настроены так, чтобы содержать 600 липидов на листок. Использовались настройки, рекомендованные в протоколе, с температурой 303 К. Чтобы обеспечить независимость реплик, процесс построения повторялся три раза для каждой модели мембраны, в результате чего каждый раз получалась разная случайная смесь липидов. После построения систем входные файлы были перемещены в кластервысокопроизводительных вычислений 55 Центра вычислительных исследований (CCR) UB для запуска моделирования MD с использованием GROMACS версии 2020.5. После того, как 6-ступенчатый протокол релаксации был завершен, тестирование было выполнено только для одной системы для каждой модели (рис. 3), поскольку количество атомов одинаково для всех реплик. 75% максимальной производительности составляли ~78 нс/сутки, следовательно, для производственных запусков в кластере запрашивалось не более 6 узлов. Каждая реплика выполнялась в течение 500 нс путем установки nstep = 25 x 107 в файле *.mdp и отправки расширений в кластер по мере необходимости на основе тестов производительности.

Figure 3
Рисунок 3. Примеры тестов производительности. Используется для определения производительности модели PI (315 000 атомов). Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Площадь на липид (APL) для каждой реплики показана на рисунке 4. Это значение было рассчитано на основе размеров XY блока моделирования, хранящихся в выходном файле моделирования *edr от GROMACS с помощью встроенной программы energy. Затем общая площадь поверхности была разделена на количество общих липидов на листке, чтобы получить оценку APL в каждой модели. Для всех систем равновесие определялось как точка, в которой APL достигает плато и колеблется около постоянной величины. Во всех этих системах равновесие достигается в течение первых 100 нс траектории (см. рис. 4). Исходя из этой метрики, траектории в 500 нс были признаны достаточными для этих систем. Весь остальной анализ на этих бислоях проводился в течение последних 400 нс траектории, известной как равновесная или производственная фаза. Для определения неопределенности в каждом вычисленном значении рекомендуется блочное усреднение каждые 10-20 нс. Анализ APL показал, что модель мембраны PI-PS имеет в среднем на 0,7 Å2 большую площадь поверхности, чем модель PI.

Figure 4
Рисунок 4. Примеры площадей на липиды. (A) PI и (B) PI-PS модели. Репликация 1, репликация 2 и репликация 3 для каждой модели показаны красным, синим и зеленым цветом. Уравновешивание для всех систем происходит в течение первых 100 нс. Неопределенность отражается как стандартная ошибка среднего значения (SEM). Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.

Кроме того, представлены два простых анализа структуры мембраны. На рисунке 5 показана толщина мембраны, рассчитанная по расстоянию между центром масс (COM) атомов фосфатов фосфолипидов в верхней и нижней створках. Это было рассчитано с помощью программы расстояний в GROMACS, для которой требуется индексный файл, в котором перечислены две группы атомов, одна для фосфатных групп в верхнем листке, а другая группа для тех, что находятся в нижнем листке. Результаты показывают статистическую разницу между толщинами двух моделей мембран, иллюстрируя обратную зависимость между APL и толщиной мембраны. Наконец, на рисунке 6 показаны параметры порядка дейтерия для каждого вида липидов, мера, которая количественно определяет порядок липидных хвостов в двухслойном гидрофобном ядре56. Хвосты жирных кислот классифицируются как sn1, присоединенный к терминальному кислороду глицеринового остова, и sn2, присоединенный к центральному кислороду глицериновой группы. Результаты показывают, что разница между порядком липидных хвостов между моделями незначительна или отсутствует, за исключением DPPE, который показывает небольшое увеличение порядка хвоста sn1 в модели PI.

Figure 5
Рисунок 5. Примеры толщины мембраны. (A) PI и (B) PI-PS модели. Репликация 1, репликация 2 и репликация 3 для каждой модели показаны красным, синим и зеленым цветом. Неопределенность отражается как стандартная ошибка среднего значения (SEM). Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.

Figure 6
Рисунок 6. Примеры параметров дейтериевого ордера. (A) DOPC, (B) DPPE, (C) POPI и (D) липидные виды DOPS. Сплошные линии для sn1, пунктирные линии для sn2, модель PI красного цвета и модель PI-PS синего цвета. Неопределенность отражается как стандартная ошибка среднего значения (SEM). Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.

Сложные мембранные модели могут быть использованы для изучения значимости конкретных видов липидов и того, как они модулируют взаимодействие биомолекул с мембраной. Выборочные исследования, проведенные в лаборатории, показывают: (1) состав мембраны модулирует взаимодействие белков19 и (2) насыщение липидным хвостом и проникновение поверхностного заряда мембраны и латеральную организацию малых молекул17,57. Используя протокол, описанный выше, и анализ, аналогичный тому, который был представлен в предыдущих параграфах, работа Li et al. дает представление о взаимодействии между D112, потенциальным агентом фотодинамической терапии, и различными липидными смесями17. Бислой с липидами PC и PS был исследован в эксперименте для характеристики разделения D112 в бислое. Проведено моделирование различных соотношений липидов ПК и ФС с различной длиной хвоста жирных кислот и насыщением, т.е. числом двойных связей, для определения влияния поверхностного заряда и гидрофобной среды на взаимодействие D112-мембраны. В то время как электростатические взаимодействия приводят к первоначальному связыванию D112 с анионными липидами PS, гидрофобные взаимодействия втягивают молекулу в ядро мембраны с помощью двух возможных механизмов (см. рис. 7A-B). Внутри мембраны D112 преимущественно локализуется в доменах, богатых ПК, либо в виде мономера, либо в виде димера.

Figure 7
Рисунок 7. Система дополнительных образцов в соответствии с представленным протоколом. Моделирование D112 с модельными мембранами, идентифицирующими два механизма вставки: (A) гарпун и (B) флип; (C) ориентация димеров D112; и (D) латеральное распределение молекул D112 (синие контурные карты) на мембранной модели по отношению к заряженным липидам (оранжевые кластеры). Полное исследование можно найти в 17. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Экспериментальные методы позволяют визуализировать биомолекулы с высоким разрешением с помощью криоэлектронной микроскопии (крио-ЭМ)58, флуоресцентных методов и атомно-силовой микроскопии (АСМ)59. Тем не менее, сложно уловить взаимодействие и динамику молекулярных взаимодействий, лежащих в основе биологических путей, патогенеза заболевания и терапевтической доставки на атомарном или аминокислотном уровне. Здесь обсуждались возможности МД-моделирования для исследования липидных мембран и основные этапы проектирования, построения, эксплуатации и анализа этих систем. Преимущество этого вычислительного метода заключается в атомистической детализации и лежащих в его основе уравнениях, которые моделируют молекулярные взаимодействия для предположения и характеристики молекулярных механизмов на границе раздела мембран.

Критическим этапом при моделировании клеточных мембран является четкое понимание изучаемой биологической системы. Типы липидов, которые должны быть включены, зависят от организма, клеточного компартмента и, самое главное, от изучаемого процесса. Моделирование с симметричными мембранами является хорошей отправной точкой для начинающих пользователей MD. Асимметрия, хотя и является известной особенностью мембран, таких как PM, добавляет потенциальных трудностей, поскольку требует более длительного времени моделирования для правильной выборки образцов боковой диффузии и обмена стеринами между створками. Асимметрия также вносит несоответствие в APL каждого листка, что должно быть тщательно рассмотрено в моделировании52,53. Другим важным этапом является определение размера моделируемого мембранного пластыря, который зависит от сложности липидной смеси и имеющихся вычислительных ресурсов; Более крупные мембранные пластыри требуют больше времени вычислений, что не всегда возможно. Рекомендуется размер не менее 150 липидов на листок для однородных или бинарных систем и до 600 липидов на листок для более сложных композиций. Если мембранная модель используется для белково-мембранных исследований, хорошим эмпирическим правилом является создание мембранного пластыря, который может вместить в 2-3 раза больше самого длинного размера белка. При исследовании малых молекул покрытие размером участка должно быть ниже 30%-40%, чтобы избежать эффекта конечного размера. В зависимости от метрики для определения равновесия, для сложных липидных смесей может потребоваться как минимум в 3 раза больше времени моделирования по сравнению с чистыми липидными или бинарными смесями.

Существует несколько вариантов настройки начальных координат для моделирования биомолекул. К распространенным программным пакетам относятся GROMACS36, VMD 42, PACKMOL60, Moltemplate 61 и CHARMM-GUI 62. C-GUI — это веб-платформа, предназначенная для облегчения создания этих систем, с широким спектром молекул в своей липидной библиотеке. Он предоставляет входные файлы для различных движков MD и параметров силового поля, что делает его отличной отправной точкой для начинающих. На этапах сборки C-GUI предоставляет оценки площади на липид для отдельных видов липидов. Полезно увеличить эту оценку на 10%-15% при построении сложных липидных смесей (5+ видов), особенно при использовании стеринов в модели. Если интересующий липид не найден в библиотеке C-GUI, можно использовать близкую липидную структуру в качестве заполнителя, а затем изменить структуру с помощью скриптов VMD или Python после сборки и первоначального расслабления системы. Поскольку C36m является аддитивным силовым полем63, для обновленной липидной структуры обычно не требуется повторная параметризация, при условии, что все типы атомов в новой молекуле присутствуют в силовом поле. Следует отметить, что не все опции, доступные в C-GUI, были охвачены этим протоколом, но те, которые имеют отношение к новичкам и соответствуют общепринятой практике в этой области, были показаны; Расширенные опции были рассмотрены и опубликованы разработчиками54,62,64.

Условия моделирования, такие как термодинамический ансамбль, температура и давление, будут зависеть от характера исследования. Для этого протокола в C-GUI были сохранены условия по умолчанию, которые характерны для моделирования мембран в жидкой фазе. Гелевая фаза нежелательна для моделирования биологических мембран, она протекает ниже температуры перехода липидов, и ее легко распознать по параллельному выравниванию липидных хвостов под углом. Это может меняться для различных целей исследования или в соответствии с экспериментами соавторов, если таковые имеются. Во время прогонов МД типичные настройки для мембранных бислоев включают: (1) временной шаг 1-4 фс для АА МД для захвата самых быстрых колебательных движений водородно-кислородных связей65; как правило, 2 FS используются для производства, но 1 FS используется на этапах релаксации и минимизации, и 4 FS могут быть использованы, если используется HMR51 ; (2) частоты сохранения данных в диапазоне 0,05-0,2 нс являются обычной практикой; (3) Схема отсечкиВерле 66 с мягкой и жесткой отсечкой 1,0 и 1,2 нм для ван-дер-ваальских взаимодействий. Установка большего радиуса отсечения снижает производительность моделирования, так как вычисляется больше взаимодействий между парами атомов; Однако для вычисления профилей бокового давления требуется более крупная граница, для которой обычно требуются отсечки 2,0-2,4 нм; (4) сетка частиц Эдварда (PME) схема67 с отсечкой 1,2 нм используется для электростатических взаимодействий на больших расстояниях; (5) алгоритм LINCS68 используется в GROMACS для ограничения водородных связей; (6) общим регулятором давления является баростат Парринелло-Рахмана, применяемый полуизотропно для бислоев; (7) распространенным регулятором температуры является термостат Nose-Hoover. Обратите внимание, что существует несколько типов баростатов и термостатов, которые могут быть использованы в моделировании и зависят от характера исследования69.

APL, толщина мембраны и флип-флоп стерола являются общими показателями для определения того, достигла ли система теплового равновесия, которое может варьироваться от 50 нс для чистых бислоев до 4000 нс для сложных асимметричных смесей в зависимости от выбранной метрики. Анализ механических, структурных и динамических свойств бислоя должен быть вычислен после достижения равновесия, т. е. после того, как интересующее свойство достигнет плато и будет колебаться относительно среднего значения. Уравновешенный участок траектории, также известный как фаза производства, должен иметь длину не менее 100 нс для надлежащего статистического анализа и оценки неопределенности. Общие свойства мембраны, которые могут быть вычислены с помощью моделирования, включают, помимо прочего, параметры порядка дейтерия, профили электронной плотности, функции радиального распределения, углы наклона липидных хвостов или головных групп, модуль сжимаемости, время релаксации вращения липидов, модуль изгиба, профили латерального давления, паттерны кластеризации липидов и динамику воды вблизи границы раздела мембран35,70, 71; в обзоре Moradi et al. некоторые из них описаны более подробно70. Этот анализ может быть выполнен с помощью встроенных аналитических инструментов GROMACS и VMD или с помощью сценариев Python, Bash или TCL. Существует также множество библиотек Python с открытым исходным кодом, таких как MDAnalysis 72,73, MDTraj74, Pysimm 75, Pyemma 76 и PyLipID 77, которые облегчают анализ траекторий моделирования.

Этот протокол ориентирован на полностью атомный подход, который требует больших вычислительных ресурсов, если целью исследования является характеристика динамики взаимодействия крупных белков с большими участками мембраны. Тем не менее, увеличение вычислительной мощности и использование графических процессоров (GPU) способствовало моделированию более крупных систем. Для моделирования MD требуется достаточная выборка конформаций системы для вычисления средних значений свойств, которые точно воспроизводят экспериментальные значения. Реалистичное моделирование мембран направлено на воспроизведение точной механической и структурной среды для интересующей клеточной мембраны, которая непосредственно влияет на взаимодействие других биомолекул и облегчает отбор проб редких событий78,79,80. При интерпретации данных следует быть осторожным, чтобы сверить наблюдения с экспериментальными тенденциями или фактическими значениями для аналогичных систем, чтобы убедиться, что модельные системы не являются только артефактом моделирования или представляют собой нефизиологические события. В заключение следует отметить, что МД-моделирование является мощной моделью для изучения молекулярных взаимодействий на основе статистической термодинамики. МД-моделирование может быть использовано для изучения влияния липидного разнообразия на структурные и механические свойства мембран, что, в свою очередь, приводит к различным взаимодействиям с биомолекулами во время клеточных процессов. Протокол обеспечивает удобный для новичков подход к проектированию, построению, запуску и анализу сложных систем липидных мембран. Эти этапы служат для моделирования только мембранных систем, а также белков или малых молекул вблизи границы раздела мембран.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

У авторов нет конкурирующих интересов, которые они могли бы раскрыть.

Acknowledgments

Авторы благодарят Цзиньхуэй Ли (Jinhui Li) и Рикардо Х. Рамиреса (Ricardo X. Ramirez) за их моделирование траекторий и дискуссии во время написания этой статьи. O.C. был поддержан Президентской стипендией Университета в Буффало и грантом 1T32GM144920-01 Национального института здравоохранения по максимальному развитию студентов, присужденным Маргарите Л. Дубокович (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

Реалистичное мембранное моделирование Сложные липидные смеси Имитационные исследования Клеточные мембраны Липидные виды Механические свойства Структурные свойства Состав мембран Клеточные сигнальные процессы Вычислительные подходы Биомолекулярные взаимодействия Молекулярная динамика Моделирование МД Липидные бислои Программное обеспечение для начинающих Гидрофобная среда Механическая среда Свойства мембран Биомолекулярные взаимодействия
Реалистичное моделирование мембран с использованием сложных липидных смесей в имитационных исследованиях
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