Waiting
Login processing...

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

Biology

Modelagem Realística de Membranas Utilizando Misturas Lipídicas Complexas em Estudos de Simulação

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

A diversidade lipídica da membrana em estrutura e composição é um importante contribuinte para os processos celulares e pode ser um marcador de doença. Simulações de dinâmica molecular permitem estudar membranas e suas interações com biomoléculas em resolução atomística. Aqui, fornecemos um protocolo para construir, executar e analisar sistemas complexos de membrana.

Abstract

Os lipídios são blocos de construção estruturais das membranas celulares; As espécies lipídicas variam entre organelas celulares e entre organismos. Essa variedade resulta em diferentes propriedades mecânicas e estruturais na membrana que impactam diretamente as moléculas e processos que ocorrem nessa interface. A composição lipídica é dinâmica e pode servir para modular processos de sinalização celular. Abordagens computacionais são cada vez mais usadas para prever interações entre biomoléculas e fornecer insights moleculares para observáveis experimentais. A dinâmica molecular (DM) é uma técnica baseada na mecânica estatística que prevê o movimento dos átomos com base nas forças que atuam sobre eles. Simulações MD podem ser usadas para caracterizar a interação de biomoléculas. Aqui, apresentamos brevemente a técnica, descrevemos passos práticos para iniciantes que estão interessados em simular bicamadas lipídicas, demonstramos o protocolo com software amigável para iniciantes e discutimos alternativas, desafios e considerações importantes do processo. Particularmente, enfatizamos a relevância do uso de misturas lipídicas complexas para modelar uma membrana celular de interesse para capturar os ambientes hidrofóbicos e mecânicos apropriados em simulação. Também discutimos alguns exemplos em que a composição e as propriedades da membrana modulam as interações das bicamadas com outras biomoléculas.

Introduction

Os lipídios são os principais constituintes das membranas, que fornecem limites para as células e permitem a compartimentalização intracelular 1,2,3. Os lipídios são anfifílicos, com um grupo de cabeça polar e duas caudas de ácidos graxos hidrofóbicos; Estes se auto-agrupam em uma bicamada para minimizar o contato das cadeias hidrofóbicas com a água 3,4. Várias combinações de grupos cabeçais hidrofílicos e caudas hidrofóbicas resultam em diferentes classes de lipídios nas membranas biológicas, como glicerofosfolipídios, esfingolipídios e esteróis (Figura 1)1,5,6. Os glicerofosfolipídios são blocos de construção primários das membranas celulares eucarióticas compostas por glicerofosfato, ácidos graxos de cadeia longa e grupos de cabeça de baixo peso molecular7. A nomenclatura lipídica é baseada em diferenças nos grupos de cabeça; exemplos incluem fosfatidil-colina (PC), fosfatidil-etanolamina (PE), fosfatidil-serina (PS), fosfatidil-glicerol (PG), fosfatidil-inositol (PI) ou ácido fosfatídico (PA) não modificado5,6. Quanto às caudas hidrofóbicas, o comprimento e o grau de saturação variam, juntamente com a estrutura da espinha dorsal. As combinações possíveis são inúmeras, resultando em milhares de espécies lipídicas em células demamíferos6. Alterações na composição lipídica da membrana levam a diferentes propriedades mecânicas e estruturais da membrana que afetam a atividade tanto das proteínas integrais de membrana quanto das proteínas periféricas 2,6.

Figure 1
Gráfico 1. Estruturas lipídicas representativas. Caudas de ácidos graxos são mostradas em caixas azuis, grupos de cabeças lipídicas comuns em laranja e espinhas dorsais de amostra em roxo. Clique aqui para ver uma versão maior desta figura.

Os lipídios são atores ativos nos processos celulares, na ativação de proteínas em cascatas de sinalização e na homeostase de células saudáveis 8,9. Alterações na dinâmica lipídica são resultado de infecção ou podem ser marcadores de patogênese da doença10,11,12,13,14,15. Como barreiras para a célula, o estudo dos lipídios da membrana e seu papel na permeação de pequenas moléculas é de relevância para os sistemas de liberação de fármacos e mecanismos de ruptura de membrana16,17. A diversidade química e as diferentes proporções de espécies lipídicas entre organelas, tecidos e organismos dão origem a uma complexa dinâmica de membranas2. Portanto, é importante manter essas características em estudos de modelagem de bicamadas lipídicas, especialmente quando o objetivo de um estudo é examinar as interações de outras biomoléculas com a membrana. As espécies lipídicas a serem consideradas em um modelo dependem do organismo e do compartimento celular de interesse. Por exemplo, os lipídios PG são importantes para a transferência de elétrons na bateria fotossintética18, enquanto os lipídios inositol fosforilados (PIPs) são os principais agentes na dinâmica da membrana plasmática (PM) e cascatas de sinalização em células de mamíferos19,20. Dentro da célula, as membranas PM, retículo endoplasmático (RE), Golgi e mitocondrial contêm abundâncias lipídicas únicas que influenciam sua função. Por exemplo, o ER é o centro da biogênese lipídica e transporta o colesterol para o PM e Golgi; contém alta diversidade lipídica com abundância de PC e PE, mas baixo teor de esteróis, o que promove fluidez da membrana21,22,23,24. Em contrapartida, o MP incorpora centenas e até milhares de espécies lipídicas dependendo do organismo25, contém altos níveis de esfingolipídios e colesterol que lhe conferem rigidez característica em relação a outras membranas da célula24. A assimetria da cúspide deve ser considerada para membranas como a PM, que possui uma cúspide externa rica em esfingomielina, PC e colesterol, e uma cúspide interna rica em EP, PI e SP, importantes para a sinalização de cascatas24. Finalmente, a diversidade lipídica também propicia a formação de microdomínios que diferem em empacotamento e ordem interna, conhecidos como jangadas lipídicas24,26; Estes exibem assimetria lateral, são hipotetizados para desempenhar papéis importantes na sinalização celular26, e são difíceis de estudar devido à sua natureza transitória.

Técnicas experimentais como fluoroscopia, espectroscopia e sistemas de membrana modelo como vesículas unilamelares gigantes (GUVs) têm sido usadas para investigar interações de biomoléculas com membranas. No entanto, a natureza complexa e dinâmica dos componentes envolvidos é difícil de capturar apenas com métodos experimentais. Por exemplo, existem limitações na obtenção de imagens de domínios transmembrana de proteínas, na complexidade das membranas utilizadas nesses estudos e na identificação de estados intermediários ou transitórios durante o processo de interesse27,28,29. Desde o advento da simulação molecular de monocamadas e bicamadas lipídicas na década de 198029, os sistemas lipídico-proteicos e suas interações podem agora ser quantificados em nível molecular. A simulação de dinâmica molecular (DM) é uma técnica computacional comum que prevê o movimento de partículas com base em suas forças intermoleculares. Um potencial de interação aditivo descreve as interações ligadas e não ligadas entre partículas do sistema30. O conjunto de parâmetros usados para modelar essas interações é denominado campo de força de simulação (FF). Esses parâmetros são obtidos a partir de cálculos ab initio, semi-empíricos e de mecânica quântica, e otimizados para reproduzir dados de experimentos de difração de raios X e elétrons, RMN, infravermelho, espectroscopia Raman e de nêutrons, entre outros métodos31.

Simulações MD podem ser usadas para estudar sistemas em vários níveis de resolução32,33,34. Sistemas que visam caracterizar interações biomoleculares específicas, ligações de hidrogênio e outros detalhes de alta resolução são estudados com simulações de átomos (AA). Em contraste, simulações de grão grosso (CG) agrupam átomos em grupos funcionais maiores para reduzir o custo computacional e examinar a dinâmica em maior escala33. Entre esses dois estão as simulações de átomos unidos (UA), onde átomos de hidrogênio são combinados com seus respectivos átomos pesados para acelerar a computação33,35. Simulações MD são uma ferramenta poderosa para a exploração da dinâmica de membranas lipídicas e suas interações com outras moléculas e podem servir para fornecer mecanismos de nível molecular para processos de interesse na interface membrana. Adicionalmente, simulações MD podem servir para estreitar alvos experimentais e prever propriedades macromoleculares de um dado sistema com base em interações microscópicas.

Em resumo, dado um conjunto de coordenadas iniciais, velocidades e um conjunto de condições como temperatura e pressão constantes, as posições e velocidades de cada partícula são calculadas através da integração numérica do potencial de interação e da Lei do movimento de Newton. Isso se repete iterativamente, gerando uma trajetória de simulação30. Esses cálculos são realizados com um motor MD; entre vários pacotes de código aberto, o GROMACS36 é um dos mecanismos mais usados e o que descrevemos aqui. Inclui também ferramentas para análise e construção de coordenadas iniciais de sistemas a serem simulados37. Outros motores MD incluem NAMD38; CHARMM39 e AMBER40, que o usuário pode selecionar a seu próprio critério com base no desempenho computacional de um determinado sistema. É fundamental visualizar as trajetórias durante a simulação, bem como para análise e interpretação dos resultados. Uma variedade de ferramentas estão disponíveis; aqui discutimos a dinâmica molecular visual (VMD) que oferece uma ampla gama de recursos, incluindo visualização tridimensional (3D) com métodos expansivos de desenho e coloração, visualização volumétrica de dados, construção, preparação e análise de trajetórias de sistemas de simulação MD e produção de trajetória-filme sem limites no tamanho do sistema, se a memória estiver disponível41,42,43.

A precisão da dinâmica prevista entre os componentes do sistema é diretamente influenciada pelo FF escolhido para a propagação da trajetória. Os esforços empíricos de parametrização dos FF são perseguidos por poucos grupos de pesquisa. Os FF mais estabelecidos e comuns para MD incluem CHARMM39, AMBER 40, Martini44, OPLS 45 e SIRAH 46. O campo de força de CHARMM36 aditivo de todos os átomos (C36)47 é amplamente utilizado para DM AA de sistemas de membrana, pois reproduz com precisão dados estruturais experimentais. Foi originalmente desenvolvido pela comunidade CHARMM, e é compatível com vários motores MD como GROMACS e NAMD. Apesar das melhorias entre os FFs comuns, há um esforço contínuo para melhorar os conjuntos de parâmetros para permitir previsões que reproduzam de perto observáveis experimentais, impulsionados por interesses em sistemas particulares de estudo48,49.

Um desafio ao simular membranas lipídicas é determinar o comprimento da trajetória da simulação. Isso depende muito das métricas a serem analisadas e do processo que se pretende caracterizar. Tipicamente, misturas lipídicas complexas requerem maior tempo para atingir o equilíbrio, pois mais espécies devem ter tempo suficiente para se difundir no plano da membrana e alcançar uma organização lateral estável. Uma simulação é dita estar em equilíbrio quando a propriedade de interesse atingiu um platô e flutua em torno de um valor constante. É prática comum obter pelo menos 100-200 ns de trajetória equilibrada para realizar análises estatísticas apropriadas sobre as propriedades e interações de interesse. É comum executar simulações somente de membrana entre 200-500 ns, dependendo da complexidade da mistura lipídica e da questão de pesquisa. Interações proteína-lipídio tipicamente requerem tempos de simulação mais longos, entre 500-2000 ns. Algumas abordagens para acelerar a amostragem e a dinâmica observável com sistemas de membrana são: (i) o modelo mimético de membrana altamente móvel (HMMM), que substitui carbonos finais de lipídios na membrana por solvente orgânico para acelerar a amostragem50; e (ii) reparticionamento de massa de hidrogênio (HMR), que combina uma fração das massas de átomos pesados dentro de um sistema com as de átomos de hidrogênio para permitir o uso de um maior tempo de simulação51.

O protocolo a seguir discute uma abordagem amigável para iniciantes para construir, executar e analisar modelos de membrana realistas usando AA MD. Dada a natureza das simulações MD, múltiplas trajetórias devem ser executadas para dar conta da reprodutibilidade e da análise estatística adequada dos resultados. É prática corrente executar no mínimo três réplicas por sistema de interesse. Uma vez que as espécies lipídicas tenham sido selecionadas para o organismo e processo de interesse, as etapas básicas para construir, executar e analisar uma trajetória de simulação de um sistema somente de membrana são descritas e resumidas na Figura 2.

Figure 2
Gráfico 2. Esquema para executar simulações MD. As caixas laranja correspondem às três etapas principais descritas no protocolo. Abaixo está o fluxo de trabalho do processo de simulação. Durante a configuração do sistema, o sistema que contém as coordenadas iniciais de um sistema de membrana solvatada é construído com um gerador de entrada do sistema como o CHARMM-GUI Membrane Builder. Depois de transferir os arquivos de entrada para um cluster de computação de alto desempenho, a trajetória de simulação é propagada usando um mecanismo MD, como o GROMACS. A análise de trajetória pode ser feita no cluster de computadores ou em uma estação de trabalho local, juntamente com a visualização. A análise é então realizada, usando pacotes com código de análise interno, como GROMACS e VMD, ou usando scripts Bash ou várias bibliotecas Python. Clique aqui para ver uma versão maior desta figura.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Construção das coordenadas do sistema

  1. Navegue até CHARMM-GUI.org (C-GUI) usando um navegador da Web. No menu superior, navegue até Gerador de Entrada e selecione Construtor de Membranas nas opções verticais no lado esquerdo da tela.
  2. Para criar uma bicamada, selecione Bilayer Builder.
    NOTA: Os usuários pela primeira vez devem ativar sua conta gratuita antes de criar seu primeiro conjunto de coordenadas.
  3. Selecione Sistema Somente Membrana. Salve o JOB ID gerado para recuperar o sistema e continuar de onde parou durante o processo, se necessário.
    1. Visualize os sistemas durante cada etapa do processo de construção clicando em Exibir Estrutura na caixa localizada na parte superior da página ou baixando o arquivo PDB resultante. Fique atento à falta de componentes, erros na entrada selecionada, espécie lipídica ou tamanho do patch.
  4. Selecione os componentes do sistema.
    1. Escolha a opção Lipídio Heterogêneo , mesmo que construa uma bicamada de componente único; em seguida, selecione um tipo de caixa retangular .
    2. Selecione 45 moléculas de água por lipídio para a opção de hidratação; Isso é suficiente para garantir uma bicamada totalmente hidratada.
    3. Defina o comprimento de XY para ser baseado no número de componentes lipídicos. Em seguida, selecione o número de lipídios a serem incluídos para cada espécie lipídica determinado à frente do modelo. Para o estudo de caso discutido na próxima seção, foi construído um modelo de membrana com 600 lipídios distribuídos simetricamente em dois folhetos. Para modelar o RE de células eucarióticas foi utilizada uma mistura de 336 DOPC, 132 DPPE, 60 CHOL, 72 lipídios POPI para o modelo PI; e 330 DOPC, 126 DPPE, 54 CHOL, 66 POPI e 24 DOPS lipídicos para o modelo PI-PS.
      NOTA: C-GUI fornece uma biblioteca de estruturas lipídicas para escolher; Clique nas imagens ao lado do nome da espécie para sua estrutura química.
    4. Digite o número desejado de moléculas na cúspide superior e inferior nas duas caixas ao lado do nome do lipídio. Para o estudo de caso, uma composição simétrica da membrana é desejada - certifique-se de que não haja erros sobre o número incomparável de lipídios na cúspide superior e na cúspide inferior. Se a assimetria for desejada, certifique-se de que o número total de lipídios em cada folheto esteja correto. Para detalhes sobre a construção de bicamadas assimétricas, consulte o trabalho de Park et al.52,53.
    5. Vá para o topo da lista de espécies lipídicas e clique em Mostrar o botão Informações do sistema. Monte componentes e complete o sistema.
    6. Selecione a opção para incluir íons neutralizantes usando o algoritmo baseado em distância para convergência mais rápida54.
    7. Deixe a concentração padrão da solução de KCl em 0,15 mM. Esta é uma concentração de sal típica para tornar neutra a caixa de simulação para bicamadas de membrana.
      NOTA: Se uma concentração diferente for usada, certifique-se de clicar no botão Calcular composição do solvente depois de editá-lo.
  5. Selecione as condições e configurações da simulação.
    1. Selecione CHARMM36m como a opção FF; É comumente usado para simulações de lipídios e proteínas, mas o usuário pode selecionar outras opções discutidas na introdução.
    2. Selecione GROMACS como o mecanismo MD para obter arquivos de entrada de amostra no formato correspondente.
      NOTA: GROMACS é recomendado para novos usuários porque tem vários recursos on-line, tutoriais e fóruns para suporte. O usuário pode selecionar entre vários mecanismos MD para explorar opções em termos de desempenho de simulação e sintaxe de código.
    3. Selecione o conjunto Partícula-Pressão-Temperatura Constante (NPT), de longe o conjunto dinâmico mais utilizado na simulação de bicamadas lipídicas.
    4. Ajuste a temperatura e a pressão em Kelvin e barras como 303 K e 1 bar, respectivamente. É típico definir a temperatura entre 298 K e 310 K para o estudo de processos biológicos para garantir uma bicamada no estado de desordem líquida.
      NOTA: A temperatura depende das condições do processo a ser simulado e pode ser alterada conforme a necessidade. Dependendo da espécie lipídica no modelo, defina a temperatura para estar acima da temperatura de transição dos componentes lipídicos puros antes de executar a simulação.
  6. Baixe os arquivos resultantes e transfira para o cluster de computadores.
    1. Visualize o sistema final em um software de escolha, como VMD ou PyMol, e inspecione a configuração adequada.
      NOTA: É bom verificar, por exemplo, se há água suficiente ao redor da membrana, de modo que os lipídios não interajam com os átomos da imagem durante a simulação, e a configuração adequada do folheto (uma bicamada sem espaço ou água entre eles).

2. Executando simulações MD

  1. Carregue e descompacte os arquivos da C-GUI em seu cluster de computação. Navegue até o diretório Gromacs . Crie um script de envio de relaxamento.
  2. Siga as diretrizes do cluster para o formato de um script de envio.
    1. Copie os comandos listados até logo acima do comentário # Production no arquivo LEIA-ME para o script de envio.
      Observação : esse padrão de C-GUI é um loop que executa um relaxamento de 6 etapas do sistema. Se um protocolo diferente e bem estabelecido for desejado, edite-o para ler as coordenadas recém-construídas e baixadas do C-GUI.
  3. Envie o script de relaxamento e confirme se todos os arquivos de saída foram baixados para todas as etapas antes de passar para a execução de produção. Após a conclusão, verifique os seguintes arquivos de saída do GROMACS, gerados durante a execução de 6 etapas: *.log, *.tpr, *.gro, *.edr, *.trr / *.xtc
  4. Crie um script de execução de produção.
    1. Use um dos exemplos de comandos gmx grompp e gmx mdrun de qualquer uma das etapas de relaxamento como um modelo.
    2. Antes de usar o script, certifique-se de criar um arquivo *.mdp que contenha opções de simulação semelhantes ao arquivo step7_production.mdp fornecido.
      NOTA: As opções padrão fornecidas são padrão para simulações de membrana; As ditances são listadas em nm e o tempo é dado em picossegundos ou número de passos (picosegundos / etapa de tempo de integração). Atualize os nsteps para executar até o comprimento de simulação desejado (isso é igual a dt * nsteps) e nst[x,v,f]out para atualizar a frequência de salvamento de dados em número de etapas de integração. Para o estudo de caso, defina os nsteps como 250.000.000 para um comprimento de simulação de 500ns (tempo de simulação / etapa de integração = 500.000 ps / 0.002ps), e nst[x,v,f]out para 50.000 para salvar dados a cada 100 ps
  5. Antes de executar a simulação real, execute estudos de benchmark para determinar o melhor uso dos recursos.
    1. Execute o sistema para 1-2 ns usando um número diferente de nós de computação.
      NOTA: O estudo de caso de ER foi submetido no cluster de computação de alto desempenho55 para 2 ns do UB Center for computational research (CCR), onde o desempenho foi testado para 1-10 nós.
    2. Compare o desempenho em ns/dia para cada configuração para determinar os recursos ideais para a execução. É prática comum selecionar o número de nós que resultam em 75%-80% do desempenho máximo.
  6. Execute a execução de produção.
    1. Executar cada sistema em triplicatas para garantir a reprodutibilidade e realizar análises estatísticas sobre os dados.
    2. Estenda a trajetória com base nos benchmarks se o tempo de fila permitido para envio no cluster de computação se esgotar. Use os comandos gmx convert-tpr e, em seguida, gmx mdrun para continuar a coleta de trajetória.
      Observação : opções são descritas na documentação on-line do GROMACS (https://manual.gromacs.org/).
    3. Para um sistema somente de membrana, examine se o sistema atingiu o equilíbrio calculando a área por lipídio ao longo do tempo. Caso não tenha, estenda a trajetória da simulação.

3. Analisando a trajetória

  1. Visualize o sistema antes de executar a análise para determinar moléculas de interesse e parte da trajetória que se pretende caracterizar.
  2. Comprima arquivos de trajetória bruta (*.trr) alterando o formato de arquivo para *.xtc e/ou ignorando quadros para reduzir o tamanho do arquivo e facilitar a transferência mais eficiente para a estação local para visualização e análise.
    NOTA: Para sistemas de membrana grandes, pode-se optar por retirar água da trajetória para reduzir ainda mais o tamanho do arquivo. Isso pode ser feito com arquivos de índice em GROMACS, scripts TCL em VMD ou bibliotecas Python como MDAnalysis e MDTraj.
  3. Realizar as análises escolhidas durante a porção equilibrada da trajetória, conforme determinado a partir da série temporal de área por lipídio.
    NOTA: Consulte a discussão para obter mais detalhes sobre análises de membrana típicas e como executá-las.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Para ilustrar o uso do protocolo e os resultados que podem ser obtidos, um estudo de comparação para modelos de membrana para o retículo endoplasmático (RE) é discutido. Os dois modelos deste estudo foram (i) o modelo PI, que contém as quatro principais espécies lipídicas encontradas no RE, e (ii) o modelo PI-PS, que adicionou as espécies lipídicas aniônicas fosfatidilserina (PS). Esses modelos foram posteriormente utilizados em um estudo de uma proteína viral e como ela interage com a membrana, o interesse no SP tem sido citado como importante para a atividade de permeabilização da proteínaviral23. Para incorporar variedade nas estruturas lipídicas da cauda, as composições de membrana foram definidas como DOPC:DPPE:CHOL:POPI (56:22:10:12 mol%) e DOPC:DPPE:CHOL:POPI:DOPS (55:21:11:9:4 mol%).

As membranas foram geradas com o CHARMM-GUI Membrane Builder. Para acomodar as 4 diferentes espécies lipídicas e, posteriormente, a proteína, as membranas simétricas foram ajustadas para conter 600 lipídios/folheto. Foram utilizadas as configurações recomendadas no protocolo, com temperatura de 303 K. Para garantir réplicas independentes, o processo de construção foi repetido três vezes para cada modelo de membrana, resultando em uma mistura aleatória diferente de lipídios a cada vez. Após a construção dos sistemas, os arquivos de entrada foram movidos para o cluster de computação de alto desempenho55 do UB Center for computational research (CCR) para executar simulações MD usando o GROMACS versão 2020.5. Após o término do protocolo de relaxação em 6 etapas, foi realizado benchmarking em apenas um sistema por modelo (Figura 3), uma vez que o número de átomos é semelhante em todas as réplicas. Os 75% do desempenho máximo foi de ~78 ns/dia, portanto, no máximo 6 nós foram solicitados no cluster para as execuções de produção. Cada réplica foi executada para até 500 ns definindo nstep = 25 x 107 no arquivo *.mdp e enviando extensões para o cluster conforme necessário com base nos benchmarks.

Figure 3
Gráfico 3. Exemplos de execuções de benchmark. Usado para determinar o desempenho do Modelo PI (315.000 átomos). Clique aqui para ver uma versão maior desta figura.

A área por lipídio (APL) de cada réplica é mostrada na Figura 4. Isso foi calculado a partir das dimensões XY da caixa de simulação armazenada no arquivo de saída de simulação *edr do GROMACS usando o programa de energia incorporada. Em seguida, a área total foi dividida pelo número de lipídios totais por folíolo para fornecer uma estimativa da LPA em cada modelo. Para todos os sistemas, o equilíbrio foi determinado como o ponto em que o APL atinge um platô e flutua em torno de um valor constante. Em todos esses sistemas, o equilíbrio é alcançado dentro dos primeiros 100 ns de trajetória (ver Figura 4). Com base nessa métrica, trajetórias de 500 ns foram consideradas suficientes para esses sistemas. Todas as outras análises sobre essas bicamadas foram realizadas ao longo dos últimos 400 ns de trajetória, conhecida como fase de equilíbrio ou de produção. Para determinar a incerteza em cada valor calculado, recomenda-se uma média de blocos a cada 10-20 ns. A partir da análise do APL, o modelo de membrana PI-PS tem, em média, uma área superficial 0,7 Å2 maior do que o modelo PI.

Figure 4
Gráfico 4. Exemplos de área por lipídio. (A) modelos PI e (B) PI-PS. Replicar 1, replicar 2 e replicar 3 para cada modelo são mostrados em vermelho, azul e verde. O equilíbrio para todos os sistemas ocorre dentro dos primeiros 100 ns. A incerteza é relatada como o erro padrão da média (EPM). Clique aqui para ver uma versão maior desta figura.

Além disso, duas análises simples da estrutura da membrana são apresentadas. A Figura 5 mostra a espessura da membrana, estimada pela distância entre o centro de massa (OMC) dos átomos de fosfato dos fosfolipídios nos folhetos superior e inferior. Isso foi calculado usando o programa de distância no GROMACS, que requer um arquivo de índice que lista dois grupos de átomos, um para os grupos fosfato no folheto superior e outro grupo para aqueles no folheto inferior. Os resultados mostram uma diferença estatística entre as espessuras dos dois modelos de membrana, ilustrando uma relação inversa entre o APL e a espessura da membrana. Finalmente, a Figura 6 mostra os parâmetros de ordem do deutério de cada espécie lipídica, uma medida que quantifica a ordem das caudas lipídicas dentro do núcleo hidrofóbico da bicamada56. As caudas de ácidos graxos são classificadas como sn1, aquela ligada ao oxigênio terminal da espinha dorsal do glicerol, e sn2, ligada ao oxigênio central do grupo glicerol. Os resultados mostram que há pouca ou nenhuma diferença entre a ordem das caudas lipídicas entre os modelos, exceto para DPPE que mostra um ligeiro aumento na ordem da cauda sn1 no modelo PI.

Figure 5
Gráfico 5. Exemplos de espessura de membrana. (A) modelos PI e (B) PI-PS. Replicar 1, replicar 2 e replicar 3 para cada modelo são mostrados em vermelho, azul e verde. A incerteza é relatada como o erro padrão da média (EPM). Clique aqui para ver uma versão maior desta figura.

Figure 6
Gráfico 6. Exemplos de parâmetros de ordem de deutério. (A) espécies lipídicas DOPC, (B) DPPE, (C) POPI e (D) DOPS. Linhas sólidas para sn1, linhas tracejadas para sn2, modelo PI em vermelho e modelo PI-PS em azul. A incerteza é relatada como o erro padrão da média (EPM). Clique aqui para ver uma versão maior desta figura.

Modelos complexos de membrana podem ser usados para estudar a relevância de espécies lipídicas específicas e como estas modulam as interações de biomoléculas com a membrana. Estudos de amostras de laboratório mostram: (1) a composição da membrana modula as interações das proteínas19, e (2) a saturação da cauda lipídica e a carga superficial da membrana impactam a permeação e a organização lateral de pequenas moléculas17,57. Usando o protocolo descrito acima e análises semelhantes às apresentadas nos parágrafos anteriores, o trabalho de Li e col. fornece insights de experimentos e simulações sobre a interação entre D112, um potencial agente de terapia fotodinâmica, e diferentes misturas lipídicas17. Uma bicamada com lipídios PC e PS foi examinada em um experimento para caracterizar a partição D112 na bicamada. Realizamos simulações de diferentes rações de lipídios PC e PS, com diferentes comprimentos de cauda de ácidos graxos e saturação, ou seja, número de ligações duplas, para determinar o efeito da carga superficial e do ambiente hidrofóbico na interação D112-membrana. Enquanto as interações eletrostáticas conduzem a ligação inicial de D112 aos lipídios PS aniônicos, as interações hidrofóbicas puxam a molécula para o núcleo da membrana por meio de dois mecanismos possíveis (ver Figura 7A-B). Dentro da membrana, D112 localiza-se preferencialmente em domínios ricos em PC, seja como monômero ou dímero.

Figure 7
Gráfico 7. Sistema amostral adicional seguindo o protocolo apresentado. Simulações do D112 com membranas modelo identificando dois mecanismos de inserção (A) arpão e (B) flip; (C) orientação dos dímeros D112; e (D) distribuição lateral das moléculas D112 (mapas de contorno azul) em um modelo de membrana em relação aos lipídios carregados (clusters laranja). O estudo completo pode ser encontrado em 17. Clique aqui para ver uma versão maior desta figura.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Técnicas experimentais podem visualizar biomoléculas em alta resolução usando microscopia crioeletrônica (cryo-EM)58, técnicas de fluorescência e microscopia de força atômica (AFM)59. No entanto, é desafiador capturar a interação e a dinâmica das interações moleculares subjacentes às vias biológicas, à patogênese da doença e à liberação terapêutica em nível atômico ou de aminoácidos. Aqui, as capacidades das simulações MD para estudar membranas lipídicas e as principais etapas para projetar, construir, executar e analisar esses sistemas foram discutidas. A vantagem deste método computacional é o detalhe atomístico e equações subjacentes que modelam interações moleculares para propor e caracterizar mecanismos moleculares na interface de membrana.

Uma etapa crítica na simulação de membranas celulares é o entendimento sólido do sistema biológico a ser estudado. As espécies lipídicas a serem incluídas dependem do organismo, do compartimento celular e, principalmente, do processo a ser estudado. Simulações com membranas simétricas são um bom ponto de partida para usuários iniciantes de MD. A assimetria, embora seja uma característica conhecida de membranas como a PM, adiciona dificuldades potenciais, pois requer tempos de simulação mais longos para amostrar adequadamente a difusão lateral e a troca de esteróis entre as cúspides. A assimetria também introduz um descompasso no APL de cada cúspide que deve ser tratado com cautela na simulação52,53. Outro passo importante é determinar o tamanho do remendo de membrana a ser simulado, que depende da complexidade da mistura lipídica e dos recursos computacionais disponíveis; Patches de membrana maiores levam mais tempo de computação, o que nem sempre pode ser viável. Recomenda-se um tamanho de pelo menos 150 lipídios/folheto para sistemas homogêneos ou binários e até 600 lipídios/folheto para composições mais complexas. Se o modelo de membrana é usado para estudos de membrana de proteína, uma boa regra prática é fazer um adesivo de membrana que possa acomodar entre 2-3 vezes a dimensão mais longa da proteína. Ao examinar moléculas pequenas, a cobertura do tamanho do patch deve permanecer abaixo de 30%-40% para evitar efeitos de tamanho finito. Dependendo da métrica para determinar o equilíbrio, misturas lipídicas complexas podem facilmente exigir pelo menos 3 vezes mais tempos de simulação em comparação com misturas lipídicas ou binárias puras.

Existem várias opções para configurar as coordenadas iniciais para simulações biomoleculares. Os pacotes de software comuns incluem GROMACS36, VMD 42, PACKMOL60, Moltemplate 61 e CHARMM-GUI 62. C-GUI é uma plataforma web projetada para facilitar a construção desses sistemas, com uma grande variedade de moléculas em sua biblioteca lipídica. Ele fornece arquivos de entrada para diferentes motores MD e parâmetros de campo de força, tornando-se um ótimo ponto de partida para iniciantes. Durante as etapas de construção, C-GUI fornece estimativas da área por lipídio para espécies lipídicas individuais. É útil aumentar essa estimativa em 10%-15% ao construir misturas lipídicas complexas (5+ espécies), especialmente se usando esteróis no modelo. Se um lipídio de interesse não for encontrado na biblioteca C-GUI, pode-se usar uma estrutura lipídica próxima como espaço reservado e, em seguida, modificar a estrutura usando scripts VMD ou Python após a construção e relaxamento inicial do sistema. Como C36m é um campo de força aditivo63, geralmente não há reparametrização necessária para a estrutura lipídica atualizada, desde que todos os tipos de átomos na nova molécula estejam presentes no campo de força. Deve-se notar que nem todas as opções disponíveis em C-GUI foram cobertas neste protocolo, mas aquelas relevantes para iniciantes e aquelas de acordo com práticas comuns no campo foram mostradas; Opções avançadas foram abordadas e publicadas pelos desenvolvedores54,62,64.

Condições de simulação como o conjunto termodinâmico, temperatura e pressão dependerão da natureza do estudo. Para este protocolo, as condições foram mantidas como padrões em C-GUI, que são típicas para simulações de membrana na fase fluida. A fase gel não é desejável para modelar membranas biológicas, ocorre abaixo da temperatura de transição dos lipídios, e é fácil de reconhecer pelo alinhamento paralelo das caudas lipídicas em um ângulo. Isso pode mudar para diferentes objetivos do estudo ou de acordo com os experimentos dos colaboradores, se houver. Durante as execuções MD, as configurações típicas para bicamadas de membrana incluem: (1) 1-4 fs timestep para AA MD capturar os movimentos vibracionais mais rápidos das ligações hidrogênio-oxigênio65; tipicamente 2 fs são usados para produção, mas 1 fs é usado durante as etapas de relaxamento e minimização, e 4 fs podem ser usados se HMR51 for empregado; (2) frequências de salvamento de dados entre 0,05-0,2 ns são práticas comuns; (3) Esquema de corte de Verlet66, com corte macio e duro de 1,0 e 1,2 nm para interações de van der Waal. A definição de um raio de corte maior diminui o desempenho da simulação à medida que mais interações são computadas entre pares de átomos; No entanto, um ponto de corte maior é necessário para calcular os perfis de pressão lateral, que normalmente requerem pontos de corte de 2,0-2,4 nm; (4) o esquema67 da malha de partículas Edward (PME) com um ponto de corte de 1,2 nm é usado para interações eletrostáticas de longo alcance; (5) o algoritmo LINCS68 é usado no GROMACS para restringir ligações de hidrogênio; (6) um controlador de pressão comum é o barostat de Parrinello-Rahman aplicado semi-isotropicalmente para bicamadas; (7) um controlador de temperatura comum é o termostato Nose-Hoover. Note-se que existem vários tipos de barostatos e termostatos que podem ser utilizados em simulação e dependem da natureza do estudo69.

APL, espessura da membrana e flip-flop de esterol são métricas comuns para determinar se um sistema atingiu o equilíbrio térmico, que pode variar de 50 ns para bicamadas puras a 4000 ns para misturas assimétricas complexas, dependendo da métrica escolhida. A análise das propriedades mecânicas, estruturais e dinâmicas da bicamada deve ser computada após o equilíbrio ser atingido, ou seja, quando a propriedade de interesse atingir um platô e flutuar em relação a um valor médio. A parte equilibrada da trajetória, também conhecida como fase de produção, deve ter pelo menos 100 ns de comprimento para análise estatística adequada e estimativas de incerteza. As propriedades comuns da membrana que podem ser calculadas a partir da simulação incluem, mas não estão limitadas a, parâmetros de ordem de deutério, perfis de densidade eletrônica, funções de distribuição radial, ângulos de inclinação das caudas lipídicas ou grupos de cabeça, módulo de compressibilidade, tempos de relaxamento da rotação lipídica, módulo de flexão, perfis de pressão lateral, padrões de agrupamento lipídico e dinâmica da água perto da interface da membrana35,70, 71º; uma revisão de Moradi et al., descreve algumas delas com mais detalhes70. Essas análises podem ser realizadas com ferramentas analíticas integradas do GROMACS e VMD, ou usando scripts Python, Bash ou TCL. Existem também muitas bibliotecas Python de código aberto como MDAnalysis 72,73, MDTraj 74, Pysimm 75, Pyemma 76 e PyLipID 77 que facilitam a análise de trajetórias de simulação.

Este protocolo é focado em uma abordagem de todos os átomos, que é computacionalmente exigente se o objetivo de um estudo é caracterizar a dinâmica de grandes proteínas interagindo com grandes manchas de membrana. No entanto, o aumento do poder computacional e o uso de processadores de unidades gráficas (GPUs) têm favorecido as simulações de sistemas maiores. Simulações MD requerem amostragem suficiente de conformações do sistema para calcular médias de propriedades que reproduzam com precisão os valores experimentais. A modelagem realística de membranas visa reproduzir um ambiente mecânico e estrutural preciso para a membrana celular de interesse, que impacta diretamente na interação de outras biomoléculas e facilita a amostragem de eventos raros78,79,80. Ao interpretar os dados, deve-se ter o cuidado de validar observações com tendências experimentais ou valores reais para sistemas similares para verificar se os sistemas modelo não são apenas um artefato da simulação ou constituem eventos não fisiológicos78. Em conclusão, simulações MD são um modelo poderoso para examinar interações moleculares baseadas em termodinâmica estatística. Simulações MD podem ser usadas para examinar os efeitos da diversidade lipídica nas propriedades estruturais e mecânicas da membrana, que por sua vez resultam em diferentes interações com biomoléculas durante processos celulares. O protocolo fornece uma abordagem amigável para iniciantes para projetar, construir, executar e analisar sistemas complexos de membrana lipídica. Essas etapas servem para simular sistemas somente de membrana, bem como proteínas ou pequenas moléculas próximas à interface da membrana.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Os autores não têm interesses concorrentes a revelar.

Acknowledgments

Os autores agradecem a Jinhui Li e Ricardo X. Ramirez por suas trajetórias de simulação e discussões durante a redação deste manuscrito. O.C. foi apoiado pela University at Buffalo Presidential Fellowship e National Institute of Health's Initiative for Maximizing Student Development Training Grant 1T32GM144920-01 concedido a 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

Modelagem Realística de Membranas Misturas Lipídicas Complexas Estudos de Simulação Membranas Celulares Espécies Lipídicas Propriedades Mecânicas Propriedades Estruturais Composição de Membranas Processos de Sinalização Celular Abordagens Computacionais Interações Biomoleculares Dinâmica Molecular Simulações MD Bicamadas Lipídicas Software Amigável para Iniciantes Ambiente Hidrofóbico Ambiente Mecânico Propriedades de Membrana Interações com Biomoléculas
Modelagem Realística de Membranas Utilizando Misturas Lipídicas Complexas em Estudos de Simulação
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