原子スケールのステッピングから粗粒拡散までのDNAに沿った転写因子タンパク質移動の構造ベースのシミュレーションとサンプリング
March 1st, 2022
このプロトコールの目標は、植物転写因子WRKYドメインタンパク質を例示的な系として用いて、DNAに沿ったタンパク質の1次元拡散の構造ダイナミクスを明らかにすることである。これを行うために、原子論的および粗粒度の分子動力学シミュレーションと広範な計算サンプリングの両方が実装されています。
このプロトコールの目標は、植物転写因子WRKYドメインタンパク質を例示的な系として用いて、DNAに沿ったタンパク質の1次元拡散の構造ダイナミクスを明らかにすることである。マルコフ状態モデル構築の下での原子シミュレーションは、DNAに沿ったタンパク質の1-bpステップ運動を原子の詳細で明らかにする。一方、粗粒度のシミュレーションは、DNAに沿って10bpsを超えるタンパク質のプロセス拡散のサンプリングに焦点を当てています。
まず、10 マイクロ秒の全原子 MD 軌道を使用して、10,000 フレーム前方の 1 塩基対ステッピング パスを均等に抽出します。VMD で 10, 000 フレームの遷移パスを準備するには、[ファイル] と [座標の保存] をクリックします。次に、[選択した原子]ボックスにタンパク質または核酸を入力します。
フレームボックスで「フレーム」を選択し、「保存」をクリックして必要なフレームを取得します。DNAの結晶構造から基準の長軸をx軸に揃え、34塩基対DNAの初期質量中心を座標空間の原点に設定するには、[拡張子]をクリックし、[VMDでTkConsole]を選択します。その後、TkConsole コマンド ウィンドウにコマンドを入力します。
次に、VMD をクリックしてタンパク質骨格の二乗平均平方根距離を計算し、[拡張] に移動して [分析] をクリックし、[RMSD 軌道ツール] を選択します。原子選択ボックスに、核酸と残基14~23、および46~55を入力します。[整列] をクリックし、[RMSD] ボックスをクリックします。
DNAθTの周りのタンパク質の回転度を計算するには、初期角度位置決めをθ0として定義し、MATLABのXY平面上でコマンドを実行します。MATLAB に K-means メソッドを使用するための命令を入力し、10, 000 個の構造体を 25 個のクラスターに分類します。完了したら、25のクラスタセンターの構造を収集して、さらにMDシミュレーションを行います。
第1ラウンドのMDシミュレーションを行うには、GROMACSを用いて25の構造物の原子論的システムを構築し、システムshファイルを構築します。NPTアンサンブルの下で25システムの60ナノ秒MDシミュレーションを行い、シェルでコマンドを処理して2フェムト秒の時間ステップを実行します。最初のラウンド MD 軌道をクラスタ化するには、各シミュレーション軌道の最初の 10 ナノ秒を削除し、25 倍の 50 ナノ秒軌道から確認を収集します。
時間に依存しない成分分析では、GROMACSにスクリプトを入力し、続いてタンパク質とDNAの間の距離ペアを入力パラメータ投影として選択します。インデックスから。ndx ファイル、新しいテキスト ファイル インデックスへ.dat。
これらのアトム間のペア情報を取得するには、Python スクリプトを使用します。MSMBuilder コマンド ウィンドウのすべての軌跡から 415 の距離ペアを計算します。次に、時間独立成分分析を実行して、コマンドを実行して、最初の 2 つの時間独立成分またはベクトルにデータの次元を縮小します。
MSMBuilder での命令の処理で、ケース・センター法を使用して、投影されたデータ・セットを 100 個のクラスターにクラスター化し、各クラスターの中心構造を選択します。2回目のMDシミュレーションを行うには、100個の初期構造から60ナノ秒のMDシミュレーションを行います。すべての原子にランダムな初期速度を課した後、MDP ファイルの速度生成をオンにして、ランダムな初期速度を追加します。
前述のように、各シミュレーションの最初の 10 ナノ秒を削除します。そして、100倍の50ナノ秒の軌道から2,500,000のスナップショットを均等に収集して、MSMを構築します。第 2 ラウンドの MD 軌道をクラスタ化するには、図に示すように、MSMBuilder で第 2 ラウンドの軌道の時間独立成分分析を実行します。
また、暗黙のタイムスケールを計算して、Pythonスクリプトを実行してパラメータを検証します。そして、パラメータを変更してラグタイムタウとマイクロステート数を変化させる。コマンドを実行して、確認を 500 個のクラスターに分類します。
MSM 構造では、500 個のマイクロ状態を 3 ~ 6 個のマクロ状態にまとめます。Pythonスクリプトを使用してMSMBuilderのPCCAplusアルゴリズムに従って、最も適したマクロ状態の数を見つける。高次元確認を、各マイクロ状態のDNAに沿ったタンパク質のXおよび回転角度にマッピングする。
平均最初の通過時間を計算するには、モンテカルロの時間ステップとして10ナノ秒のラグタイムを設定した500マイクロ状態MSMの遷移確率行列に基づいて、5つの10ミリ秒のモンテカルロ軌道を実行します。Python スクリプト内のマクロ状態の各ペア間の平均最初の通過時間と、Bash ファイルを使用して平均最初の通過時間の標準誤差の平均を計算します。CafeMol 3.0ソフトウェアでは、端末でコマンドを実行してコースグレインシミュレーションを実行します。
入力ファイルでブロックを指定した後、個々のコマンドでファイル名ブロックとjob_cntlブロックを設定します。次に、unit_and_stateブロックを設定し、続いてenergy_functionブロックとmd_informationブロックを設定します。DNA上のすべてのタンパク質確認は、DNAに沿ったタンパク質の縦方向の動きXおよび回転角度にマッピングされ、これはさらに3つのマクロ状態にクラスタリングされ得る。
S1状態は、水素結合がモデル化された構造に類似しているため、あまり好ましくないが、S3は、1塩基対ステッピング後にすべての水素結合がシフトし、63%の最高集団で安定に見えた準安定状態を指し、中間状態S2は、S1とS3を30%の中高集団で接続し、S2からS3への移行は、約7つの水素結合の集団的切断および改質を可能にするマイクロ秒、一方、S1からS2への移行は約0.06マイクロ秒で起こり得る。タンパク質とDNAの接触数を計算し、4つの状態を同定した。状態1及び状態3では、ジンクフィンガー領域がY方向に向かって結合する。
一方状態2および3では、ジンクフィンガー領域はY方向に向かって結合する。DNAの異なる配列上の保存された各残基のステッピングサイズを測定し、これらの残基のステッピングサイズがpolyATまたはランダムDNA配列よりもpolyA DNA上でより同期していることが明らかになった。マルコフ状態モデル構築における重要なステップは、1-bpのステッピング運動に対するタンパク質とDNAデータの修復の間の距離ペアの選択、および適切な数のミクロ状態とマクロ状態の選択である。
View the full transcript and gain access to thousands of scientific videos
概要
この研究は、植物転写因子WRKYドメインタンパク質を例として、DNAに沿ったタンパク質拡散の構造力学を解明することを目的としています。1次元拡散プロセスとその根底にあるメカニズムを理解するために、原子レベルと粗視化された分子動力学シミュレーションが行われました。
主要な研究要素
研究分野
- 構造生物学
- 分子動力学シミュレーション
- タンパク質-DNA相互作用
背景
- DNAに沿ったタンパク質の拡散は遺伝子制御にとって重要なプロセスです。
- WRKYドメインタンパク質は転写因子を研究するためのモデルとして機能します。
- 原子レベルのダイナミクスを理解することで、遺伝子発現メカニズムへの洞察が得られます。
使用された方法
- 原子レベルと粗視化された分子動力学シミュレーション
- マーコフ状態モデルの構築
- 平均二乗偏差とクラスタリング分析
主な結果
- DNAに沿ったタンパク質の1 bpステップ運動を原子分解で特定しました。
- 異なる距離での拡散挙動を特徴づけました。
- タンパク質-DNA複合体が特定した状態間での遷移時間スケールを測定しました。
結論
- この研究は、DNA上のタンパク質拡散の背後にある運動メカニズムを実証しています。
- 遺伝子制御のような生物学的プロセスにおける構造力学の重要性を強調しています。
よくある質問
Executive Industry Relevance
Structure-based simulation of transcription factor (TF) movement along DNA provides critical mechanistic insight into target search and binding, directly informing early-stage target validation and predictive modeling in gene regulation. The integration of atomic-scale stepping with coarse-grained diffusion models enables biopharma R&D teams to de-risk hypotheses about protein-DNA interactions and optimize discovery-stage workflows. These capabilities support portfolio decisions by clarifying the kinetic and structural determinants of TF specificity and efficiency.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables atomic-resolution interrogation of TF-DNA binding and stepping mechanisms.
- Supports mechanistic de-risking by mapping conformational states and transition kinetics.
- Improves predictive confidence in target engagement and specificity for gene regulation.
Screening & Assay Development
- Facilitates the design of validated model systems for downstream screening of TF modulators.
- Provides quantitative outputs on stepping size and state populations for assay standardization.
- Enables reproducible measurement of protein-DNA interaction dynamics across sequence contexts.
Translational & Preclinical Research
- Aligns structural and kinetic data with disease-relevant TFs for translational biomarker development.
- Supports continuity from discovery through preclinical validation by linking molecular dynamics to functional outcomes.
- De-risks advancement decisions by quantifying state transitions and mean first passage times.
Pipeline & Workflow Integration
This simulation and modeling workflow bridges early discovery, lead identification, and preclinical research by providing a scalable platform for TF-DNA interaction analysis.
- Discovery Biology: Enables hypothesis testing on TF search mechanisms and pathway specificity.
- Screening: Delivers quantitative, reproducible readouts for assay development and compound evaluation.
- Analytics: Provides state population, stepping size, and transition time metrics for comparative analysis.
- Translational Research: Connects atomic-scale dynamics to functional biomarker alignment in disease models.
- Enterprise Reuse: Establishes a reusable simulation and MSM construction pipeline for diverse TFs and DNA sequences.
Operational & Enterprise Impact
- Scientific Value: Enhances predictive confidence and reduces mechanistic ambiguity in TF-DNA interactions.
- Operational Value: Standardizes simulation and analysis workflows for reproducibility and scalability.
- Strategic Value: Informs go/no-go decisions and capital allocation by clarifying kinetic bottlenecks.
- Portfolio Impact: Supports risk-adjusted prioritization of TF targets and regulatory elements.
Implementation Considerations
- Requires expertise in molecular dynamics, Markov state modeling, and structural bioinformatics.
- Demands access to high-performance computing and specialized software (e.g., GROMACS, MSMBuilder, CafeMol).
- Necessitates cross-team standardization of simulation parameters and clustering methods.
- Adaptation across TF families and DNA sequence contexts may require protocol tuning.
- Practical limitations include computational cost and the need for careful state definition in MSM construction.
Biopharma FAQs
Chapters in this video
0:04
Introduction
0:45
Construction of the Markov State Model from Atomic Molecular Dynamics Simulations
6:26
Conducting Coarse-Grained Simulation to Sample Long-Time Dynamics
6:57
Results: Structure-Based Simulation and Sampling of Transcription Factor Protein Movements
8:45
Conclusion
