Methodenartikel

Structuurgebaseerde simulatie en bemonstering van transcriptiefactoreiwitbewegingen langs DNA van atomaire schaalstappen naar grofkorrelige diffusie

DOI:

10.3791/63406

⸱

1 maart 2022

 ,  ,  ,  , 
1Beijing Computational Science Research Center, 2Shenzhen JL Computational Science and Applied Research Institute, 3School of Medical Informatics and Engineering, Xuzhou Medical University, 4Key Laboratory of Systems Biomedicine (Ministry of Education), Shanghai Center for Systems Biomedicine, Shanghai Jiao Tong University, 5Department of Physics and Astronomy, University of California, Irvine, 6Department of Chemistry, University of California, Irvine, 7NSF-Simons Center for Multiscale Cell Fate Research, University of California, Irvine

* These authors contributed equally

In dit artikel

Samenvatting

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Het doel van dit protocol is om de structurele dynamiek van eendimensionale diffusie van eiwit langs DNA te onthullen, met behulp van een plantaardig transcriptiefactor WRKY-domeineiwit als een voorbeeldig systeem. Om dit te doen, zijn zowel atomistische als grofkorrelige moleculaire dynamicasimulaties samen met uitgebreide computationele bemonsteringen geïmplementeerd.

Samenvatting

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Eendimensionaal (1-D) glijden van transcriptiefactor (TF) eiwit langs DNA is essentieel voor gefaciliteerde diffusie van de TF om de doel-DNA-site voor genetische regulatie te lokaliseren. Het detecteren van basenpaar (bp) resolutie van de TF glijden of stappen op het DNA is nog steeds experimenteel uitdagend. We hebben onlangs all-atom molecular dynamics (MD) simulaties uitgevoerd waarbij spontane 1-bp stappen van een klein WRKY domein TF-eiwit langs DNA worden vastgelegd. Op basis van het 10 μs WRKY-stappad verkregen uit dergelijke simulaties, laat het protocol hier zien hoe uitgebreidere conformatiemonsters van de TF-DNA-systemen kunnen worden uitgevoerd, door het Markov-toestandsmodel (MSM) te construeren voor de 1-bp eiwitstap, met verschillende aantallen micro- en macrotoestanden getest voor de MSM-constructie. Om processieve 1D diffusionele zoektocht van het TF-eiwit samen met structurele basis te onderzoeken, laat het protocol verder zien hoe grofkorrelige (CG) MD-simulaties kunnen worden uitgevoerd om de langetermijnschaaldynamiek van het systeem te bemonsteren. Dergelijke CG-modellering en simulaties zijn bijzonder nuttig om de eiwit-DNA elektrostatische effecten op de processieve diffusieve bewegingen van het TF-eiwit boven tientallen microseconden te onthullen, in vergelijking met sub-microseconden tot microseconden eiwitstapbewegingen onthuld uit de simulaties van alle atomen.

Inleiding

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Transcriptiefactoren (TF) zoeken naar het doel-DNA om gentranscriptie en gerelateerde activiteiten te binden en te reguleren1. Afgezien van de driedimensionale (3D) diffusie, is gesuggereerd dat de gefaciliteerde diffusie van TF essentieel is voor doel-DNA-onderzoek, waarbij de eiwitten ook langs eendimensionaal (1D) DNA kunnen glijden of hoppen, of springen met intersegmentale overdracht op het DNA 2,3,4,5,6,7.

In een recente studie hebben we tientallen microseconden (μs) all-atom equilibrium molecular dynamics (MD) simulaties uitgevoerd op een plant TF - het WRKY-domeineiwit op het DNA8. Een volledige 1-bp stap van WRKY op poly-A DNA binnen microseconden is vastgelegd. De bewegingen van het eiwit langs de DNA-groef en waterstofbruggen (HBs) brekende-reformerende dynamiek zijn waargenomen. Hoewel een dergelijk traject één bemonsterd pad vertegenwoordigt, ontbreekt het nog steeds aan een algemeen eiwitstappenlandschap. Hier laten we zien hoe we computationele monsters rond het aanvankelijk gevangen eiwitstappad kunnen uitbreiden met het geconstrueerde Markov-toestandsmodel (MSM), dat op grote schaal is geïmplementeerd voor het simuleren van een verscheidenheid aan biomoleculaire systemen met substantiële conformatieveranderingen en tijdschaalscheiding 9,10,11,12,13,14,15,16, 17,18,19. Het doel is om het conformationele ensemble en de meta-stabiele toestanden van de TF-eiwitdiffusie langs DNA gedurende één cyclische stap te onthullen.

Hoewel de bovenstaande MD-simulatie atomaire resolutie van de eiwitbewegingen gedurende 1 bp op het DNA onthult, is de structurele dynamiek van langdurige processieve diffusie van de TF langs DNA met dezelfde hoge resolutie nauwelijks toegankelijk. Het uitvoeren van grofkorrelige (CG) MD-simulaties op residuniveau is echter technisch benaderbaar. De CG-simulatietijdschaal kan effectief worden uitgebreid tot tientallen of honderden keren langer dan de atoomsimulaties 20,21,22,23,24,25,26,27,28,29. Hier tonen we de CG-simulaties die zijn uitgevoerd door de Implementatie van de CafeMol-software ontwikkeld door Takada lab30.

In het huidige protocol presenteren we eerst de atoomsimulaties van het WRKY-domeineiwit langs poly-A DNA en de MSM-constructie, die zich richten op het bemonsteren van de eiwitstappende bewegingen voor slechts 1 bp langs DNA. Vervolgens presenteren we de CG-modellering en simulaties van hetzelfde eiwit-DNA-systeem, die de computationele bemonstering uitbreiden naar de eiwitprocesve diffusie over tientallen bps langs DNA.

Hier gebruiken we GROMACS 31,32,33-software om MD-simulaties uit te voeren en MSMbuilder 34 om de MSM te construeren voor bemonsterde conformatiemomentopnamen, evenals om VMD35 te gebruiken om de biomoleculen te visualiseren. Het protocol vereist dat de gebruiker de bovenstaande software kan installeren en implementeren. De installatie en implementatie van de CafeMol30 software is dan noodzakelijk voor het uitvoeren van de CG MD simulaties. Verdere analyses van de trajecten en visualisatie worden ook uitgevoerd in VMD.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. Constructie van het Markov-toestandsmodel (MSM) op basis van atomaire MD-simulaties

  1. Spontane eiwitstaproute en initiële structurenverzameling
    1. Gebruik een eerder verkregen MD-traject van 10 μs met alle atomen8 om 10000 frames gelijkmatig te extraheren uit een "voorwaarts" stappenpad van 1 bp (d.w.z. één frame voor elke nanoseconde). Het totale aantal frames moet voldoende groot zijn om alle representatieve conformaties te omvatten.
    2. Bereid het overgangspad voor met 10000 frames in VMD door te klikken op Bestand > Coördinaten opslaan, eiwit of nucleïsch typen in het vak geselecteerde atomen en frames kiezen in het vak Frames, klik op Opslaan om de benodigde frames op te halen.
      OPMERKING: Een eerder verkregen 10 μs all-atom MD simulatietraject (hier "forward stepping trajectory" genoemd) voor WRKY stepping 1-bp afstand op een 34-bp homogeen poly-A DNA8 werd gebruikt als het eerste pad om verdere conformatiemonsters te lanceren. Merk op dat in de meeste praktijken echter een initieel pad wordt geconstrueerd door het uitvoeren van gestuurde of gerichte MD-simulaties, of het implementeren van algemene methoden voor het genereren van paden, enz.36,37,38,39.
    3. Lijn de lange as van het referentie-DNA (van kristalstructuur) uit op de x-as en stel het initiële massamiddelpunt (COM) van het volledige 34-bp DNA in bij de oorsprong van de coördinatenruimte voor het gemak van verdere gegevensanalyse. Klik hiervoor op Extensies > Tk-console in VMD en typ in het opdrachtvenster van de Tk-console:
      bron rotate.tcl
      Het tcl-script is te vinden in Aanvullend bestand 3.
    4. Bereken vervolgens de wortel-gemiddelde-kwadraatafstand (RMSD) van de eiwitruggegraat door het centrale 10 bp-DNA (A 14 tot 23 en T 14' tot 23') uit te lijnen met dat van de kristalstructuur40, en de RMSD vertegenwoordigt geometrische metingen van de systemen (zie figuur 1A). Klik hiervoor op VMD > Extensies > Analyse > RMSD-trajectgereedschap en typ nucleïne en residu 14 tot en met 23 en 46 tot en met 55 in het vak Atoomselectie, klik op Uitlijnen en vervolgens op RMSD om de RMSD-waarden te berekenen.
    5. Bereken de rotatiegraad van eiwit rond DNA Θ(t) op het y-z vlak in MATLAB door het commando te typen
      rad2deg(atan(z/y))
      met de initiële hoekpositie gedefinieerd als Θ(0)=0, zoals eerder uitgevoerd8.
    6. Typ de volgende opdracht in MATLAB41 om K-means-methoden 42,43,44 te gebruiken en de 10000 structuren in 25 clusters te classificeren door te typen:
      [idx, C]=kmeans( X, 25)
      hier X is een 2D-matrix van RMSD en rotatiehoek van WRKY op het DNA. Verzamel de structuren van deze 25 clustercentra voor verdere MD-simulaties.
      OPMERKING: Aangezien het eiwit RMSD dat ten opzichte van DNA is bemonsterd een bereik van ongeveer 25 Å beslaat, kiezen we 25 clusters om één cluster per angstrom te hebben.
  2. Het uitvoeren van de1e ronde md-simulaties en de simulatie-instellingen
    1. Bouw atomistische systemen voor de 25 structuren met behulp van GROMACS 5.1.2 software32 onder parmbsc1 krachtveld45 en met behulp van het buildsystem.sh bestand uit Aanvullend Bestand 2 in shell.
    2. Voer 60-ns MD-simulaties uit voor deze 25 systemen onder NPT-ensemble met een tijdstap van 2 fs door het volgende commando in shell te typen:
      gmx_mpi grompp -f md.mdp -c npt.gro -p topol.top -o md.tpr
      gmx_mpi mdrun -deffnm md
  3. Clustering van de 1St ronde MD trajecten
    1. Verwijder de eerste 10 ns van elk simulatietraject door in shell te typen:
      gmx_mpi trjcat -f md.xtc -b 10000 -e 600000 -o newtraj.xtc
      en verzamel conformaties van de 25 × 50 ns-trajecten voor clustering om de invoerstructuren voor te bereiden op de daaropvolgende uitgebreidere bemonsteringen (2e ronde MD-simulaties).
      OPMERKING: Om de impact van het initiële pad te verminderen en lokale evenwichtsoefening mogelijk te maken, werden 10-ns van de initiële periode van simulaties verwijderd.
    2. Kies afstandsparen tussen eiwit en DNA als invoerparameters voor de tijdonafhankelijke componentanalyse (tICA)46,47,48 projectie. Gebruik de opdracht make_ndx in GROMACS om dat te doen:
      gmx_mpi make_ndx -f input.pdb -o index.ndx
      OPMERKING: Hier werden de eiwit CA-atomen en de zware atomen (NH1, NH2, OH, NZ, NE2, ND2) van residu Y119, K122, K125, R131, Y133, Q146, K144, R135, W116, R117, Y134, K118, Q121 die waterstofbruggen (HBs) kunnen vormen met het DNA-nucleotide geselecteerd, die paren met de O1P O2P- en N6-atomen van het DNA-nucleotide (A14-20, T19-23). De geselecteerde aminozuren kunnen stabiele HBs of zoutbruggen vormen met DNA.
    3. Kopieer de hierboven geselecteerde atoomindex van het bestand index.ndx naar een nieuw tekstbestand (index.dat). Haal de paarinformatie tussen deze atomen op door het python-script uit Aanvullend bestand 1 generate_atom_indices.py en typ:
      python2.6 generate_atom_indices.py index.dat > AtomIndices.txt
      Dit genereert de 415 afstandsparen tussen eiwit en DNA.
    4. Bereken de 415 afstandsparen van elk traject door de volgende opdracht te typen in het MSMbuilder-opdrachtvenster:
      msmb AtomPairsFeaturizer -out pair_features --pair_indices AtomIndices.txt --top referenties.pdb --trjs "trajectories/*.xtc" --getransformeerde pair_features --stride 5
    5. Voer tICA uit om de dimensie van gegevens te verminderen tot de eerste 2 tijdonafhankelijke componenten (tIC's) of vectoren door het volgende te typen:
      msmb tICA -i .. /tica_rc_a/tmp/ -o tica_results --n_components 2 --lag_time 10 --gamma 0,05 -t tica_results,h5
      OPMERKING: tICA is een dimensiereductiemethode die de eigenwaarde van de tijd-vertraagde correlatiematrix figure-protocol-1 berekent om de langzaamste ontspannende vrijheidsgraden van het simulatiesysteem te bepalen door de vergelijking:
      figure-protocol-2
      waarbij Xi(t) de waarde is van de i-de-reactiecoördinaat op tijdstip t, en Xj(t+Δt) de waarde is van de j-de-reactiecoördinaat op tijdstip t+Δt. figure-protocol-3= de verwachtingswaarde van het product van de X i(t) en Xj(t + Δt) algemene simulatietrajecten. De richtingen langs de langzaamste ontspannende vrijheidsgraden komen overeen met de grootste eigenwaarden van de bovenstaande tijd-vertraagde correlatiematrix figure-protocol-4. Hier lijken 2 tIC's een minimale set te zijn om drie macrotoestanden te onderscheiden op onze MSM-constructie (later behandeld). Men kan bijvoorbeeld ook de gegeneraliseerde matrix Rayleigh quotient (GMRQ) score49 berekenen om een optimale set componenten te verkennen die moeten worden gebruikt.
    6. Gebruik de opdracht in MSMbuilder om de geprojecteerde gegevenssets te clusteren in 100 clusters volgens de K-center 43,44-methode (zie Afbeelding 1B):
      msmb KCenters -i ./tica_results.h5 -o kcenters_output -t kcenters_output --n_clusters 100.
      Selecteer de middenstructuur van elk cluster als de initiële structuur voor de2e ronde md-simulaties. Onderhoud de simulatie-informatie van de gesimuleerde 100 structuren, inclusief posities, temperaturen, drukken, enz., Behalve de snelheden.
      OPMERKING: Na de eerste ronde van 25 simulaties is het geheugen van het initiële pad verminderd, dus genereren we meer clusters, bijvoorbeeld 100 clusters, in de tweede ronde, om de conformatiemonsters aanzienlijk uit te breiden.
  4. Het uitvoeren van de2e ronde uitgebreide MD simulaties
    1. Voer 60-ns MD-simulaties uit vanaf deze 100 initiële structuren na het opleggen van willekeurige beginsnelheden op alle atomen. Voeg de willekeurige beginsnelheden toe door de snelheidsgeneratie in het mdp-bestand in te schakelen, d.w.z. het md.mdp-bestand te wijzigen gen_vel = nee in gen_vel = ja.
    2. Verwijder de eerste 10 ns van elke simulatie zoals beschreven in stap 1.3.1, verzamel 2.500.000 snapshots van de 100 × 50 ns trajecten gelijkmatig om de MSM te construeren.
      OPMERKING: Merk op dat in de latere macrotoestandenconstructie een klein aantal off-path staten met een bijzonder lage bevolking (~ 0,2%, aan de onderkant van het X-Θ-vlak) werden gevonden. Deze off-path toestanden worden geclassificeerd als één macrostaat wanneer het totale aantal macrotoestanden is ingesteld op 3 tot 6 (figuur 2B). Aangezien zo'n lage bevolkingsmacrostaat slechts 3 trajecten omvat, die uiteindelijk zijn verwijderd, zijn de resultaten in dit protocol inderdaad verkregen uit 97 × 50 ns trajecten, met een totaal van 2.425.000 frames of snapshots.
  5. Clustering van de2e ronde MD trajecten
    1. Voer tICA uit voor de2e ronde trajecten zoals eerder gedaan. Type in MSMbuilder:
      msmb tICA -i .. /tica_rc_a/tmp/ -o tica_results --n_components 2 --lag_time 10 --gamma 0,05 -t tica_results,h5
    2. Bereken de impliciete tijdschaal om parameters voor de correlatievertragingstijd Δt- en microtoestandsgetallen te valideren (zie figuur 1C);
      figure-protocol-5
      waarbij τ de vertragingstijd vertegenwoordigt die wordt gebruikt voor het bouwen van de overgangskansmatrix (TPM); μk(τ) vertegenwoordigt de kth eigenwaarde van de TPM onder een vertragingstijd van τ. Gebruik het python script uit Supplementary File 1 voor deze python BuildMSMsAsVaryLagTime.py -d .. / -f .. /trajlist_num -i 50 -m 1000 -t 10 -n 20 -s 500.
    3. Varieer de vertragingstijd τ en het aantal microtoestanden door de hierboven gebruikte parameters te wijzigen:
      python BuildMSMsAsVaryLagTime.py -d .. / -f .. /trajlist_num -i 50 -m 1000 -t 5 10 20 30 40 -n 20 -s 20 200 400 500 800 2000
      OPMERKING: Het systeem wordt als Markoviaans beschouwd wanneer de impliciete tijdschaalcurven beginnen af te vlakken met tijdschaalscheiding. Kies vervolgens de Dt als de correlatievertragingstijd en de τ de vertragingstijd waarbij de impliciete tijdschaal begint af te vlakken om MSM te bouwen.
    4. Kies daarom een relatief groot (maar niet te groot) aantal toestanden, N = 500, en een relatief korte correlatievertragingstijd Δt = 10 ns. De vertragingstijd bleek τ =10 ns te zijn om MSM te bouwen.
    5. Classificeer de conformaties in 500 clusters (zie figuur 1D) met behulp van de opdracht:
      msmb KCenters -i ./tica_results.h5 -o kcenters_output -t kcenters_output --n_clusters 500
  6. MSM constructie
    1. Gooi de 500 microtoestanden samen in 3-6 macrotoestanden om erachter te komen hoeveel macrotoestanden het beste passen volgens het PCCA + -algoritme50 in MSMbuilder, door het python-script in aanvullend bestand 1 python msm_lumping_usingPCCAplus.py te gebruiken. Identificeer een gereduceerd kinetisch netwerk van modellen voor de meest essentiële conformationele veranderingen van biomoleculen, door een klein aantal macrotoestanden te construeren, d.w.z. bij het kinetisch op één hoop gooien van honderden microtoestanden zoals beschreven hieronder17,51.
    2. Breng de hoogdimensionale conformaties aan de X (eiwitbeweging langs de lange DNA-as) en rotatiehoek van het eiwit langs het DNA voor elke macrotoestand in kaart zoals beschreven in stap 1.1.3 en 1.1.4 (bijv. geen toestand met een te lage populatie < 1%; zie figuur 2C). Zoek vervolgens de 3 macrotoestanden die het systeem het beste weergeven (figuur 1E). Zie figuur 2D voor snapshots van de beweging van eiwit langs DNA en de eiwitrotatiehoek rond DNA.
      OPMERKING: In eerder werk dat het 10 μs spontane eiwit voorwaartse stappad genereerde, hebben we bovendien 5 x 4 μs evenwicht MD-simulaties uitgevoerd om de monsters matig uit te breiden. We toonden de mapping van het oorspronkelijke voorwaartse pad (zie figuur 2A links) en verdere 4-μs bemonsteringstrajecten op het voorwaartse pad dat eerder werd uitgevoerd (zie figuur 2A rechts)8. De mapping van de oorspronkelijke 100 × 50 ns (zie figuur 2B links)8 en de 97 × 50 ns trajecten die in dit werk zijn gebruikt, zijn weergegeven (zie figuur 2B rechts).
  7. Berekening van de gemiddelde eerste passagetijden (MFPT)
    1. Voer vijf 10-ms Monte Carlo (MC) trajecten uit op basis van de TPM van de 500 microstaat MSM met de vertragingstijd van 10 ns ingesteld als de tijdstap van MC. Bereken MFPT52 tussen elk paar macrotoestanden (figuur 3) door het python-script in aanvullend bestand 1 python python mfpt_msm3.py.
    2. Bereken de gemiddelde en standaardfout van de MFPT met behulp van het bash-bestand in Aanvullend bestand 2, type:
      SH mfpt_analysis.bash

2. Het uitvoeren van grofkorrelige (CG) simulatie om langdurige dynamiek te bemonsteren

  1. Voer een CG-simulatie uit met behulp van de CafeMol 3.0-software30. Zie de CG-simulatie-instellingen die zijn opgegeven in het invoerconfiguratiebestand met de extensie .inp, inclusief invoerstructuren, simulatieparameters, uitvoerbestanden, enz. Typ de volgende opdracht op de terminal om de CG-simulatie uit te voeren:
    Cafemol XXX.inp
  2. Geef de volgende blokken op in het invoerbestand, waarbij elk blok begint met het label < and ending with >>>>.
    1. Stel bestandsnamenblok (vereist) in om de werkmappen en het opslagpad voor invoer- en uitvoerbestanden op te geven. Typ het volgende voor het bestandsnamenblok voor deze simulaties:
      <<<< bestandsnamen
      pad = XXXXX (werkpad)
      bestandsnaam = wrky (de namen van het uitvoerbestand)
      OUTPUT psf pdb film dcd eerstet
      path_pdb = XXXXX (native structuurpad invoeren)
      path_ini = XXXXX (invoer initieel structuurpad)
      path_natinfo = XXXXX (native pad naar informatiebestand)
      path_para = XXXXX (pad naar parameterbestanden)
      >>>>
      OPMERKING: Aangezien het Go-model53 wordt gebruikt in de CG-modellering, d.w.z. eiwit zal worden bevooroordeeld naar de native conformatie, dus men moet de gemodelleerde structuur instellen als de native conformatie. Hier werd de inputkristalstructuur ingesteld als de inheemse conformatie.
    2. Stel het taakbeheerblok in (vereist) om de uitvoeringsmodus van de simulaties te definiëren. Typ de volgende opdracht:
      <<<< job_cntl
      i_run_mode = 2 (= 2 de constante temperatuur simulatie)
      i_simulate_type = 1 (=1 Langevin dynamica)
      i_initial_state = 2 (=2 betekent dat de initiële configuratie Native configuratie is)
      >>>>
      Selecteer de constante temperatuur Langevin dynamica simulaties.
    3. Stel de eenheid en het statusblok in (vereist) om de informatie voor invoerstructuren te definiëren. Typ de volgende opdracht:
      <<<< unit_and_state
      i_seq_read_style = 1 (=1 betekent leessequenties uit PDB-bestand)
      i_go_native_read_style = 1 (=1 betekent dat de oorspronkelijke structuur afkomstig is van het PDB-bestand)
      1 eiwit eiwit.pdb (unit&state molecular_type native_structure)
      2-3 dna DNA.pdb (unit&state molecular_type native_structure)
      >>>>
      OPMERKING: De initiële invoerstructuurbestanden (eiwit.pdb en DNA.pdb hier) zijn nodig. De structuren zijn geschreven in het pdb-formaat. Hier zijn twee pdb-bestanden nodig: de ene is het eiwitstructuurbestand met de zware atoomcoördinaten van WRKY (eenheid 1) en de andere is de coördinaten van 200-bp dubbelstrengs (ds) DNA (eenheid 2-3). Het eiwit wordt in eerste instantie 15 Å verwijderd van het DNA geplaatst.
    4. Stel het energiefunctieblok (vereist) in dat is gedefinieerd in het energy_function blok. Typ de volgende opdracht:
      <<<< energy_function
      LOKAAL(1) L_GO
      LOKAAL(2-3) L_DNA2
      NLOCAL(1/1) GA EXV ELE
      NLOCAL(2-3/2-3) ELE DNA
      NLOCAL(1/2-3) EXV ELE
      i_use_atom_protein = 0
      i_use_atom_dna = 0
      i_para_from_ninfo = 1
      i_triple_angle_term = 2
      >>>>
      OPMERKING: In de CG-simulaties wordt het eiwit grofkorrelig door het Go-model53 met elk aminozuur vertegenwoordigd door een CG-deeltje op zijn Cα-positie. De eiwitconformatie zal dan worden vertekend naar de oorspronkelijke structuur, of kristalstructuur hier, onder de Go-potentiaal (figuur 4A links). Het DNA wordt beschreven door het 3SPN.2 model54, waarin elk nucleotide wordt vertegenwoordigd door 3 CG-deeltjes S, P, N, die overeenkomen met respectievelijk suiker, fosfaat en stikstofhoudende base (figuur 4A rechts). De elektrostatische en vdW-interacties worden beschouwd tussen verschillende ketens. De elektrostatische interacties tussen eiwit en DNA in de CG-simulatie worden benaderd door de Debye-Hückel potentiaal55. De vdW-afstotende energie neemt dezelfde vorm aan als in het Go-model.
    5. Stel het md_information blok in (vereist) om de simulatie-informatie te definiëren. Typ de volgende opdracht:
      <<<< md_information
      n_step_sim = 1
      n_tstep(1) = 500000000
      tstep_size = 0,1
      n_step_save = 1000
      n_step_neighbor = 100
      i_com_zeroing = 0
      i_no_trans_rot = 0
      tempk = 300,0
      n_seed = -1
      >>>>
      De n_tstep is de simulatiestap. Stel de tstep_size in als de tijdsduur van elke MD-stap, elke CG Cafemol-tijdstap is ongeveer 200 fs30, dus elke MD-stap hier is 200 × 0,1 fs in principe. Werk de burenlijst bij elke 100 MD-stappen (n_step_neighbor = 100). Stel de simulatietemperatuur in op 300 K. Regel de temperatuur door het Verlet-algoritme van het snelheidstype te gebruiken voor het bijwerken van de eiwitstructuur met de Berendsen-thermostaat56.
      OPMERKING: De n_step_sim is het bekkennummer van de op het Go-model gebaseerde potentiaal, of het lokale minimale getal van de energiecurve. Een potentieel met meerdere bassins zorgt ervoor dat de eiwitconformatie bevooroordeeld is naar verschillende conformaties, zodat eiwitconformatie van het ene lokale minimum naar het andere kan veranderen. Hier wordt alleen het go-model met één bekken gebruikt, wat slechts één bevooroordeelde conformatie (kristalstructuur) voor eiwit in de simulaties betekent. Ondertussen, omdat er geen eiwit-DNA waterstofbindingsinteractie, enz. gemodelleerd is in de CG-context, kunnen de moleculaire bewegingen nog sneller worden bemonsterd, d.w.z. > 10 keer dan in de atoomsimulaties.
    6. Stel elektrostatisch blok in (alleen vereist wanneer elektrostatische interactie wordt gebruikt) omdat de elektrostatische interactie wordt beschouwd tussen verschillende ketens, dus gebruik dit blok om de parameters voor elektrostatische interactie te definiëren door te typen:
      <<<< elektrostatisch
      cutoff_ele = 10,0
      ionic_strength = 0,15
      >>>>
      Stel de Debye-lengte in de elektrostatische interactie in op 10 Å, wat overeenkomt met de oplossingsconditie. Stel de ionische sterkte in op 0,15 M, zoals bij de fysiologische toestand.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Rotatie-gekoppelde glijding of 1 bp stap van WRKY uit de MSM-constructie
Alle eiwitconformaties op het DNA zijn in kaart gebracht aan de longitudinale beweging X en rotatiehoek van het eiwit COM langs DNA (zie figuur 3A). De lineaire koppeling van deze twee graden duidt op rotatie-gekoppelde stappen van het WRKY-domeineiwit op het DNA. De conformaties kunnen verder worden geclusterd in 3 macrotoestanden (S1, S2 en S3) in de MSM. De voorwaartse stap van WRKY volgt dan de m...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Dit werk richt zich op het uitvoeren van op structuur gebaseerde computationele simulatie en bemonsteringen om een transcriptiefactor of TF-eiwit te onthullen dat langs DNA beweegt, niet alleen bij atomaire details van stappen, maar ook in de processieve diffusie, die essentieel is voor de gefaciliteerde diffusie van TF in het DNA-doelonderzoek. Om dat te doen, werd eerst het Markov-toestandsmodel of MSM van een klein TF-domeineiwit WRKY-stepping voor 1-bp langs homogeen poly-A-DNA geconstrueerd, zodat een ensemble van e...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

De auteurs hebben geen belangenverstrengeling.

Dankbetuigingen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Dit werk is ondersteund door NSFC Grant #11775016 en #11635002. JY werd ondersteund door de CMCF van de UCI via NSF DMS 1763272 en de Simons Foundation grant #594598 en start-up fonds van UCI. LTD is ondersteund door Natural Science Foundation van Shanghai #20ZR1425400 en #21JC1403100. We erkennen ook de computationele ondersteuning van het Beijing Computational Science Research Center (CSRC).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
CafeMolKyoto Universitygrofkorrelige (CG) simulaties
GROMACSUniversity of Groningen Royal Institute of Technology Uppsala Universitymoleculaire dynamica simulatiesoftware
MatlabMathWorksNumerieke berekensoftware
MSMbuilderStanford Universitybouw MSM
VMDUNIVERSITY OF ILLINOIS AT URBANA-CHAMPAIGNmoleculair visualisatieprogramma

Referenties

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Latchman, D. S. Transcription factors: an overview. The International Journal of Biochemistry & Cell Biology. 29 (12), 1305-1312 (1997).
  2. Berg, O. G., von Hippel, P. H. Selection of DNA binding sites by regulatory proteins. Statistical-mechanical theory and application to operators and promoters. Journal of Molecular Biology. 193 (4), 723-750 (1987).
  3. von Hippel, P. H., Berg, O. G. Facilitated target location in biological systems. The Journal of Biological Chemistry. 264 (2), 675-678 (1989).
  4. Halford, S. E., Marko, J. F. How do site-specific DNA-binding proteins find their targets. Nucleic Acids Research. 32 (10), 3040-3052 (2004).
  5. Slusky, M., Mirny, L. A. Kinetics of protein-DNA interaction: facilitated target location in sequence-dependent potential. Biophysical Journal. 87 (6), 4021-4035 (2004).
  6. Bauer, M., Metzler, R. Generalized facilitated diffusion model for DNA-binding proteins with search and recognition states. Biophysical Journal. 102 (10), 2321-2330 (2012).
  7. Shvets, A. A., Kochugaeva, M. P., Kolomeisky, A. B. Mechanisms of Protein Search for Targets on DNA: Theoretical Insights. Molecules. 23 (9), Basel, Switzerland. 2106(2018).
  8. Dai, L., Xu, Y., Du, Z., Su, X. D., Yu, J. Revealing atomic-scale molecular diffusion of a plant-transcription factor WRKY domain protein along DNA. Proceedings of the National Academy of Sciences of the United States of America. 118 (23), 2102621118(2021).
  9. Chodera, J. D., Singhal, N., Pande, V. S., Dill, K. A., Swope, W. C. Automatic discovery of metastable states for the construction of Markov models of macromolecular conformational dynamics. The Journal of Chemical Physics. 126 (15), 155101(2007).
  10. Pan, A. C., Roux, B. Building Markov state models along pathways to determine free energies and rates of transitions. The Journal of Chemical Physics. 129 (6), 064107(2008).
  11. Bowman, G. R., Huang, X., Pande, V. S. Using generalized ensemble simulations and Markov state models to identify conformational states. Methods. 49 (2), San Diego, California. 197-201 (2009).
  12. Prinz, J. H., et al. Markov models of molecular kinetics: Generation and validation. The Journal of chemical physics. 134 (17), 174105(2011).
  13. Chodera, J. D., Noé, F. Markov state models of biomolecular conformational dynamics. Current Opinion in Structural Biology. 25, 135-144 (2014).
  14. Malmstrom, R. D., Lee, C. T., Van Wart, A. T., Amaro, R. E. On the Application of Molecular-Dynamics Based Markov State Models to Functional Proteins. Journal of Chemical Theory and Computation. 10 (7), 2648-2657 (2014).
  15. Husic, B. E., Pande, V. S. Markov State Models: From an Art to a Science. Journal of the American Chemical Society. 140 (7), 2386-2396 (2018).
  16. Sittel, F., Stock, G. Perspective: Identification of collective variables and metastable states of protein dynamics. The Journal of chemical physics. 149 (15), 150901(2018).
  17. Wang, W., Cao, S., Zhu, L., Huang, X. Constructing Markov State Models to elucidate the functional conformational changes of complex biomolecules. WIREs Computational Molecular Science. 8, 1343(2018).
  18. Peng, S., et al. Target search and recognition mechanisms of glycosylase AlkD revealed by scanning FRET-FCS and Markov state models. Proceedings of the National Academy of Sciences of the United States of America. 117 (36), 21889-21895 (2020).
  19. Tian, J., Wang, L., Da, L. T. Atomic resolution of short-range sliding dynamics of thymine DNA glycosylase along DNA minor-groove for lesion recognition. Nucleic Acids Research. 49 (3), 1278-1293 (2021).
  20. Chu, J. -W., Izveko, S., Voth, G. The multiscale challenge for biomolecular systems: coarse-grained modeling. Molecular Simulation. 32 (3-4), 211-218 (2006).
  21. Marrink, S. J., Risselada, H. J., Yefimov, S., Tieleman, D. P., De Vries, A. H. The MARTINI force field: coarse grained model for biomolecular simulations. The Journal of Physical Chemistry B. 111 (27), 7812-7824 (2007).
  22. Givaty, O., Levy, Y. Protein sliding along DNA: dynamics and structural characterization. Journal of Molecular Biology. 385 (4), 1087-1097 (2009).
  23. Khazanov, N., Levy, Y. Sliding of p53 along DNA can be modulated by its oligomeric state and by cross-talks between its constituent domains. Journal of Molecular Biology. 408 (2), 335-355 (2011).
  24. Riniker, S., Allison, J. R., van Gunsteren, W. F. On developing coarse-grained models for biomolecular simulation: a review. Physical Chemistry Chemical Physics : PCCP. 14 (36), 12423-12430 (2012).
  25. Kmiecik, S., et al. Coarse-Grained Protein Models and Their Applications. Chemical Reviews. 116 (14), 7898-7936 (2006).
  26. Bhattacherjee, A., Krepel, D., Levy, Y. Coarse-grained models for studying protein diffusion along DNA. WIREs Computational Molecular Science. 6, 515-531 (2016).
  27. Wang, J., et al. Machine Learning of Coarse-Grained Molecular Dynamics Force Fields. ACS Central Science. 5 (5), 755-767 (2019).
  28. Joshi, S. Y., Deshmukh, S. A. A review of advancements in coarse-grained molecular dynamics simulations. Molecular Simulation. 47 (10-11), 786-803 (2021).
  29. Bigman, L. S., Greenblatt, H. M., Levy, Y. What Are the Molecular Requirements for Protein Sliding along DNA. The Journal of Physical Chemistry B. 125 (12), 3119-3131 (2021).
  30. Kenzaki, H., et al. CafeMol: A Coarse-Grained Biomolecular Simulator for Simulating Proteins at Work. Journal of Chemical Theory and Computation. 7 (6), 1979-1989 (2011).
  31. Berendsen, H. J. C., vander Spoel, D., van Drunen, R. GROMACS: a message-passing parallel molecular dynamics implementation. Computer Physics Communications. 91 (1-3), 43-56 (1995).
  32. vander Spoel, D., et al. GROMACS: fast, flexible, and free. Journal of Computational Chemistry. 26 (16), 1701-1718 (2005).
  33. Abraham, M. J., et al. GROMACS: High performance molecular simulations through multi-level parallelism from laptops to supercomputers. SoftwareX. 1-2, 19-25 (2015).
  34. Harrigan, M. P., et al. MSMBuilder: Statistical Models for Biomolecular Dynamics. Biophysical journal. 112 (1), 10-15 (2017).
  35. Humphrey, W., Dalke, A., Schulten, K. VMD: visual molecular dynamics. Journal of Molecular Graphics. 14 (1), 33-38 (1996).
  36. Izrailev, S., et al. Steered Molecular Dynamics. Computational Molecular Dynamics: Challenges, Methods, Ideas. 4, Springer. Berlin, Heidelberg. 39-65 (1999).
  37. Schlitter, J., Engels, M., Krüger, P. Targeted molecular dynamics: a new approach for searching pathways of conformational transitions. Journal of Molecular Graphics. 12 (2), 84-89 (1994).
  38. Maragliano, L., Fischer, A., Vanden-Eijnden, E., Ciccotti, G. String method in collective variables: minimum free energy paths and isocommittor surfaces. The Journal of Chemical Physics. 125 (2), 24106(2006).
  39. Weiss, D. R., Levitt, M. Can morphing methods predict intermediate structures. Journal of Molecular Biology. 385 (2), 665-674 (2009).
  40. Xu, Y. P., Xu, H., Wang, B., Su, X. D. Crystal structures of N-terminal WRKY transcription factors and DNA complexes. Protein. 11 (3), 208-213 (2020).
  41. Higham, D. J., Higham, N. J. MATLAB guide. Society for Industrial and Applied Mathematics. , (2016).
  42. Hartigan, J. A., Wong, M. A. Algorithm AS 136: A K-Means Clustering Algorithm. Journal of the Royal Statistical Society. Series C (Applied Statistics). 28 (1), 100-108 (1979).
  43. Gonzalez, T. F. Clustering to minimize the maximum intercluster distance. Theoretical Computer Science. 38, 293-306 (1985).
  44. Zhao, Y., Sheong, F. K., Sun, J., Sander, P., Huang, X. A fast parallel clustering algorithm for molecular simulation trajectories. Journal of Computational Chemistry. 34 (2), 95-104 (2013).
  45. Ivani, I., et al. Parmbsc1: a refined force field for DNA simulations. Nature Methods. 13 (1), 55-58 (2016).
  46. Naritomi, Y., Fuchigami, S. Slow dynamics of a protein backbone in molecular dynamics simulation revealed by time-structure based independent component analysis. The Journal of Chemical Physics. 139 (21), 215102(2013).
  47. Naritomi, Y., Fuchigami, S. Slow dynamics in protein fluctuations revealed by time-structure based independent component analysis: the case of domain motions. The Journal of Chemical Physics. 134 (6), 065101(2011).
  48. Pérez-Hernández, G., Paul, F., Giorgino, T., De Fabritiis, G., Noé, F. Identification of slow molecular order parameters for Markov model construction. The Journal of Chemical Physics. 139 (1), 015102(2013).
  49. McGibbon, R. T., Pande, V. S. Variational cross-validation of slow dynamical modes in molecular kinetics. The Journal of Chemical Physics. 142 (12), 124105(2015).
  50. Deuflhard, P., Weber, M. Robust Perron cluster analysis in conformation dynamics. Linear Algebra and its Applications. 398, 161-184 (2005).
  51. Silva, D. A., et al. Millisecond dynamics of RNA polymerase II translocation at atomic resolution. Proceedings of the National Academy of Sciences of the United States of America. 111 (21), 7665-7670 (2014).
  52. Swope, W. C., Pitera, J. W., Suits, F. Describing Protein Folding Kinetics by Molecular Dynamics Simulations. 1. Theory. The Journal of Physical Chemistry B. 108 (21), 6571-6581 (2004).
  53. Clementi, C., Nymeyer, H., Onuchic, J. N. Topological and energetic factors: what determines the structural details of the transition state ensemble and "en-route" intermediates for protein folding? An investigation for small globular proteins. Journal of molecular biology. 298 (5), 937-953 (2000).
  54. Hinckley, D. M., Freeman, G. S., Whitmer, J. K., De Pablo, J. J. An experimentally-informed coarse-grained 3-Site-Per-Nucleotide model of DNA: structure, thermodynamics, and dynamics of hybridization. The Journal of chemical physics. 139 (14), 144903(2013).
  55. Debye, P., Huckel, E. The theory of the electrolyte II-The border law for electrical conductivity. Physikalische Zeitschrift. 24, 305-325 (1923).
  56. Berendsen, H. J., Postma, J. V., van Gunsteren, W. F., DiNola, A., Haak, J. R. Molecular dynamics with coupling to an external bath. The Journal of Chemical Physics. 81, 3684-3690 (1984).
  57. Bowman, G. R. Improved coarse-graining of Markov state models via explicit consideration of statistical uncertainty. The Journal of Chemical Physics. 137 (13), 134111(2012).
  58. Jain, A., Stock, G. Identifying metastable states of folding proteins. Journal of Chemical Theory and Computation. 8 (10), 3810-3819 (2012).
  59. Röblitz, S., Weber, M. Fuzzy spectral clustering by PCCA+: application to Markov state models and data classification. Advances in Data Analysis and Classification. 7, 147-179 (2013).
  60. Mardt, A., Pasquali, L., Wu, H., Noé, F. VAMPnets for deep learning of molecular kinetics. Nature Communications. 9 (1), 5(2018).
  61. Wang, W., Liang, T., Sheong, F. K., Fan, X., Huang, X. An efficient Bayesian kinetic lumping algorithm to identify metastable conformational states via Gibbs sampling. The Journal of Chemical Physics. 149 (7), 072337(2018).
  62. Chen, W., Sidky, H., Ferguson, A. L. Nonlinear discovery of slow molecular modes using state-free reversible VAMPnets. The Journal of Chemical Physics. 150 (21), 214114(2019).
  63. Gu, H., et al. RPnet: a reverse-projection-based neural network for coarse-graining metastable conformational states for protein dynamics. Physical Chemistry Chemical Physics :PCCP. 24 (3), 1462-1474 (2022).
  64. Lane, T. J., Bowman, G. R., Beauchamp, K., Voelz, V. A., Pande, V. S. Markov state model reveals folding and functional dynamics in ultra-long MD trajectories. Journal of the American Chemical Society. 133 (45), 18413-18419 (2011).
  65. Konovalov, K. A., Unarta, I. C., Cao, S., Goonetilleke, E. C., Huang, X. Markov State Models to Study the Functional Dynamics of Proteins in the Wake of Machine Learning. JACS Au. 1 (9), 1330-1341 (2021).
  66. Cao, S., Montoya-Castillo, A., Wang, W., Markland, T. E., Huang, X. On the advantages of exploiting memory in Markov state models for biomolecular dynamics. The Journal of Chemical Physics. 153 (1), 014105(2020).
  67. Brandani, G. B., Takada, S. Chromatin remodelers couple inchworm motion with twist-defect formation to slide nucleosomal DNA. PLoS Computational Biology. 14 (11), 1006512(2018).
  68. Tan, C., Terakawa, T., Takada, S. Dynamic Coupling among Protein Binding, Sliding, and DNA Bending Revealed by Molecular Dynamics. Journal of the American Chemical Society. 138 (27), 8512-8522 (2016).
  69. Terakawa, T., Takada, S. p53 dynamics upon response element recognition explored by molecular simulations. Scientific reports. 5, 17107(2015).
  70. Brandani, G. B., Niina, T., Tan, C., Takada, S. DNA sliding in nucleosomes via twist defect propagation revealed by molecular simulations. Nucleic Acids Research. 46 (6), 2788-2801 (2018).
  71. Knotts, T. A., Rathore, N., Schwartz, D. C., de Pablo, J. J. A coarse grain model for DNA. The Journal of Chemical Physics. 126 (8), 084901(2007).
  72. Freeman, G. S., Hinckley, D. M., Lequieu, J. P., Whitmer, J. K., de Pablo, J. J. Coarse-grained modeling of DNA curvature. The Journal of Chemical Physics. 141 (16), 165103(2014).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

Transcription Factor DiffusionProtein DNA SlidingMarkov State ModelMolecular Dynamics SimulationCoarse Grained SimulationWRKY Domain ProteinOne Dimensional DiffusionProtein Stepping MotionHydrogen Bond DynamicsZinc Finger Region

Gerelateerde artikelen