Method Article

Realistische membraanmodellering met behulp van complexe lipidenmengsels in simulatiestudies

DOI:

10.3791/65712

⸱

September 1st, 2023

 ,  ,  , 
1Department of Chemical and Biological Engineering, State University of New York at Buffalo, 2Department of Mathematics, State University of New York at Buffalo

In This Article

Summary

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

De diversiteit van membraanlipiden in structuur en samenstelling levert een belangrijke bijdrage aan cellulaire processen en kan een marker van ziekte zijn. Moleculaire dynamica-simulaties stellen ons in staat om membranen en hun interacties met biomoleculen met atomistische resolutie te bestuderen. Hier bieden we een protocol voor het bouwen, uitvoeren en analyseren van complexe membraansystemen.

Abstract

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

Lipiden zijn structurele bouwstenen van celmembranen; Lipidensoorten variëren tussen celorganellen en tussen organismen. Deze variëteit resulteert in verschillende mechanische en structurele eigenschappen in het membraan die een directe invloed hebben op de moleculen en processen die op dit grensvlak plaatsvinden. De samenstelling van lipiden is dynamisch en kan dienen om celsignaleringsprocessen te moduleren. Computationele benaderingen worden steeds vaker gebruikt om interacties tussen biomoleculen te voorspellen en moleculaire inzichten te verschaffen aan experimentele observabelen. Moleculaire dynamica (MD) is een techniek gebaseerd op statistische mechanica die de beweging van atomen voorspelt op basis van de krachten die erop inwerken. MD-simulaties kunnen worden gebruikt om de interactie van biomoleculen te karakteriseren. Hier introduceren we kort de techniek, schetsen we praktische stappen voor beginners die geïnteresseerd zijn in het simuleren van lipide dubbellagen, demonstreren we het protocol met beginnersvriendelijke software en bespreken we alternatieven, uitdagingen en belangrijke overwegingen van het proces. In het bijzonder benadrukken we de relevantie van het gebruik van complexe lipidenmengsels om een celmembraan te modelleren dat van belang is om de juiste hydrofobe en mechanische omgevingen in simulatie vast te leggen. We bespreken ook enkele voorbeelden waarbij membraansamenstelling en -eigenschappen de interacties van dubbellagen met andere biomoleculen moduleren.

Introduction

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

Lipiden zijn belangrijke bestanddelen van membranen, die grenzen bieden aan cellen en intracellulaire compartimentering mogelijk maken 1,2,3. Lipiden zijn amfifiel, met een polaire kopgroep en twee hydrofobe vetzuurstaarten; Deze assembleren zichzelf tot een dubbellaag om het contact van de hydrofobe ketens met water te minimaliseren 3,4. Verschillende combinaties van hydrofiele kopgroepen en hydrofobe staarten resulteren in verschillende klassen lipiden in biologische membranen, zoals glycerofosfolipiden, sfingolipiden en sterolen (Figuur 1)1,5,6. Glycerofosfolipiden zijn primaire bouwstenen van eukaryote celmembranen die zijn samengesteld uit glycerofosfaat, vetzuren met lange ketens en hoofdgroepen met een laag moleculairgewicht7. De lipidennomenclatuur is gebaseerd op verschillen in hoofdgroepen; voorbeelden zijn fosfatidyl-choline (PC), fosfatidyl-ethanolamine (PE), fosfatidyl-serine (PS), fosfatidyl-glycerol (PG), fosfatidyl-inositol (PI) of het niet-gemodificeerde fosfatidinezuur (PA)5,6. Wat hydrofobe staarten betreft, variëren de lengte en mate van verzadiging, samen met de ruggengraatstructuur. De mogelijke combinaties zijn talrijk, wat resulteert in duizenden lipidensoorten in zoogdiercellen6. Veranderingen in de samenstelling van membraanlipiden leiden tot verschillende mechanische en structurele membraaneigenschappen die van invloed zijn op de activiteit van zowel integrale membraaneiwitten als perifere eiwitten 2,6.

figure-introduction-1
Figuur 1. Representatieve lipidestructuren. Vetzuurstaarten worden weergegeven in blauwe vakken, gemeenschappelijke lipidekopgroepen in oranje en monsterruggengraat in paars. Klik hier om een grotere versie van deze figuur te bekijken.

Lipiden spelen een actieve rol in cellulaire processen, eiwitactivering in signaalcascades en homeostase van gezonde cellen 8,9. Veranderde lipidendynamiek is het gevolg van infectie of kan markers zijn van pathogenese van ziekte 10,11,12,13,14,15. Als barrières voor de cel is de studie van membraanlipiden en hun rol in de permeatie van kleine moleculen van belang voor medicijnafgiftesystemen en membraanverstoringsmechanismen16,17. Chemische diversiteit en verschillende verhoudingen van lipidesoorten in organellen, weefsels en organismen geven aanleiding tot complexe membraandynamieken2. Het is daarom belangrijk om deze kenmerken te behouden in modelleringsstudies van lipidedubbellagen, vooral wanneer het doel van een studie is om interacties van andere biomoleculen met het membraan te onderzoeken. De lipidensoorten waarmee in een model rekening moet worden gehouden, hangt af van het organisme en het cellulaire compartiment dat van belang is. PG-lipiden zijn bijvoorbeeld belangrijk voor elektronenoverdracht in fotosynthetische bateria18, terwijl gefosforyleerde inositollipiden (PIP's) belangrijke spelers zijn in de dynamiek van plasmamembraan (PM) en signaalcascades in zoogdiercellen 19,20. In de cel bevatten de PM-, endoplasmatisch reticulum (ER), Golgi en mitochondriale membranen unieke lipide-abundanties die hun functie beïnvloeden. Het ER is bijvoorbeeld de hub voor lipidenbiogenese en transporteert cholesterol naar de PM en Golgi; het bevat een hoge lipidendiversiteit met een overvloed aan PC en PE, maar een laag sterolgehalte, wat de vloeibaarheid van het membraan bevordert21,22,23,24. Daarentegen bevat de PM honderden en zelfs duizenden lipidensoorten, afhankelijk van het organisme25, het bevat een hoog gehalte aan sfingolipiden en cholesterol die het een karakteristieke stijfheid geven in vergelijking met andere membranen in de cel24. Bladasymmetrie moet worden overwogen voor membranen zoals de PM, die een buitenste bijsluiter heeft die rijk is aan sfingomyeline, PC en cholesterol, en een binnenblad dat rijk is aan PE, PI en PS die belangrijk zijn voor het signaleren van cascades24. Ten slotte leidt lipidendiversiteit ook tot de vorming van microdomeinen die verschillen in verpakking en interne volgorde, bekend als lipide vlotten24,26; Deze vertonen laterale asymmetrie, er wordt verondersteld dat ze een belangrijke rol spelen in cellulaire signalering26 en zijn moeilijk te bestuderen vanwege hun voorbijgaande aard.

Experimentele technieken zoals fluoroscopie, spectroscopie en modelmembraansystemen zoals gigantische unilamellaire blaasjes (GUV's) zijn gebruikt om interacties van biomoleculen met membranen te onderzoeken. De complexe en dynamische aard van de betrokken componenten is echter moeilijk vast te leggen met experimentele methoden alleen. Er zijn bijvoorbeeld beperkingen aan de beeldvorming van transmembraandomeinen van eiwitten, de complexiteit van membranen die in dergelijke onderzoeken worden gebruikt, en de identificatie van tussenliggende of voorbijgaande toestanden tijdens het proces van belang27,28,29. Sinds de komst van de moleculaire simulatie van lipide monolagen en dubbellagen in de jaren 198029, kunnen lipide-eiwitsystemen en hun interacties nu op moleculair niveau worden gekwantificeerd. Moleculaire dynamica (MD)-simulatie is een veelgebruikte computertechniek die de beweging van deeltjes voorspelt op basis van hun intermoleculaire krachten. Een additieve interactiepotentiaal beschrijft de gebonden en niet-gebonden interacties tussen deeltjes van het systeem30. De set parameters die wordt gebruikt om deze interacties te modelleren, wordt het simulatiekrachtveld (FF) genoemd. Deze parameters worden verkregen uit ab initio-berekeningen, semi-empirische en kwantummechanische berekeningen, en geoptimaliseerd voor gereproduceerde gegevens van röntgen- en elektronendiffractie-experimenten, NMR, infrarood, Raman- en neutronenspectroscopie, naast andere methoden31.

MD-simulaties kunnen worden gebruikt om systemen op verschillende resolutieniveaus te bestuderen32,33,34. Systemen die gericht zijn op het karakteriseren van specifieke biomoleculaire interacties, waterstofbruggen en andere details met hoge resolutie worden bestudeerd met all-atom (AA) simulaties. Grofkorrelige (CG) simulaties daarentegen klonteren atomen in grotere functionele groepen om de rekenkosten te verlagen en de dynamiek op grotere schaal te onderzoeken33. Tussen deze twee bevinden zich united-atom (UA) simulaties, waarbij waterstofatomen worden gecombineerd met hun respectievelijke zware atomen om de berekening te versnellen33,35. MD-simulaties zijn een krachtig hulpmiddel voor het verkennen van de dynamiek van lipidemembranen en hun interacties met andere moleculen en kunnen dienen om mechanismen op moleculair niveau te bieden voor processen die van belang zijn op het membraangrensvlak. Bovendien kunnen MD-simulaties dienen om experimentele doelen te verfijnen en macromoleculaire eigenschappen van een bepaald systeem te voorspellen op basis van microscopische interacties.

In het kort, gegeven een reeks initiële coördinaten, snelheden en een reeks omstandigheden zoals constante temperatuur en druk, worden posities en snelheden van elk deeltje berekend door numerieke integratie van de interactiepotentiaal en de bewegingswet van Newton. Dit wordt iteratief herhaald, waardoor een simulatietraject30 wordt gegenereerd. Deze berekeningen worden uitgevoerd met een MD-motor; van de verschillende open-sourcepakketten is GROMACS36 een van de meest gebruikte engines en degene die we hier beschrijven. Het bevat ook instrumenten voor het analyseren en construeren van initiële coördinaten van te simuleren systemen37. Andere MD-motoren zijn onder meer NAMD38; CHARMM39 en AMBER40, die de gebruiker naar eigen goeddunken kan selecteren op basis van de rekenkracht van een bepaald systeem. Het is van cruciaal belang om de trajecten tijdens de simulatie te visualiseren, evenals voor analyse en interpretatie van de resultaten. Er zijn verschillende tools beschikbaar; hier bespreken we visuele moleculaire dynamica (VMD) die een breed scala aan functies biedt, waaronder driedimensionale (3D) visualisatie met uitgebreide teken- en kleurmethoden, volumetrische datavisualisatie, het bouwen, voorbereiden en analyseren van trajecten van MD-simulatiesystemen, en het maken van trajectfilms zonder limieten op de systeemgrootte, als het geheugen beschikbaar is41,42,43.

De nauwkeurigheid van de voorspelde dynamiek tussen systeemcomponenten wordt direct beïnvloed door de FF die is gekozen voor de voortplanting van het traject. Empirische FF-parametrisatie-inspanningen worden door weinig onderzoeksgroepen nagestreefd. De meest gevestigde en meest voorkomende FF voor MD zijn CHARMM39, AMBER 40, Martini44, OPLS 45 en SIRAH 46. Het all-atom additive CHARMM36 (C36) krachtveld47 wordt veel gebruikt voor AA MD van membraansystemen, omdat het experimentele structurele gegevens nauwkeurig reproduceert. Het is oorspronkelijk ontwikkeld door de CHARMM-gemeenschap en is compatibel met meerdere MD-engines zoals GROMACS en NAMD. Ondanks verbeteringen in gemeenschappelijke FF's, is er een voortdurende inspanning om de parametersets te verbeteren om voorspellingen mogelijk te maken die experimentele waarneembare objecten nauwkeurig reproduceren, gedreven door belangen in bepaalde onderzoekssystemen48,49.

Een uitdaging bij het simuleren van lipidemembranen is het bepalen van de lengte van het simulatietraject. Dit is grotendeels afhankelijk van de te analyseren statistieken en het proces dat men wil karakteriseren. Doorgaans hebben complexe lipidenmengsels meer tijd nodig om een evenwicht te bereiken, omdat meer soorten voldoende tijd moeten hebben om op het membraanvlak te diffunderen en een stabiele laterale organisatie te bereiken. Van een simulatie wordt gezegd dat deze in evenwicht is wanneer de eigenschap van belang een plateau heeft bereikt en rond een constante waarde schommelt. Het is gebruikelijk om ten minste 100-200 ns van een evenwichtstraject te verkrijgen om een passende statistische analyse uit te voeren op de eigenschappen en interacties van belang. Het is gebruikelijk om membraansimulaties uit te voeren tussen 200-500 ns, afhankelijk van de complexiteit van het lipidenmengsel en de onderzoeksvraag. Eiwit-lipide-interacties vereisen doorgaans langere simulatietijden, tussen 500-2000 ns. Enkele benaderingen om bemonstering en waarneembare dynamiek met membraansystemen te versnellen zijn: (i) het zeer mobiele membraanmimetische (HMMM)-model, dat eindkoolstofatomen van lipiden in het membraan vervangt door organisch oplosmiddel om bemonstering te versnellen50; en (ii) waterstofmassa-repartitionering (HMR), waarbij een fractie van de massa's van zware atomen binnen een systeem wordt gecombineerd met die van waterstofatomen om het gebruik van een grotere simulatietijdstap51 mogelijk te maken.

Het volgende protocol bespreekt een beginnersvriendelijke benadering voor het bouwen, uitvoeren en analyseren van realistische membraanmodellen met behulp van AA MD. Gezien de aard van MD-simulaties moeten meerdere trajecten worden uitgevoerd om rekening te houden met reproduceerbaarheid en een goede statistische analyse van de resultaten. Het is momenteel gebruikelijk om minimaal drie replica's per systeem van belang uit te voeren. Zodra de lipidesoorten zijn geselecteerd voor het organisme en het proces van belang, worden de basisstappen voor het bouwen, uitvoeren en analyseren van een simulatietraject van een membraansysteem geschetst en samengevat in figuur 2.

figure-introduction-2
Figuur 2. Schema om MD-simulaties uit te voeren. Oranje vakjes komen overeen met de drie belangrijkste stappen die in het protocol worden beschreven. Daaronder bevindt zich de workflow van het simulatieproces. Tijdens het instellen van het systeem wordt het systeem met de initiële coördinaten van een opgelost membraansysteem gebouwd met een systeeminvoergenerator zoals CHARMM-GUI Membrane Builder. Na het overbrengen van de invoerbestanden naar een high-performance computing-cluster, wordt het simulatietraject gepropageerd met behulp van een MD-engine, zoals GROMACS. Trajectanalyse kan worden uitgevoerd op het computercluster of een lokaal werkstation, samen met visualisatie. Vervolgens wordt de analyse uitgevoerd met behulp van pakketten met ingebouwde analysecode zoals GROMACS en VMD, of met behulp van Bash-scripts of verschillende Python-bibliotheken. Klik hier om een grotere versie van deze figuur te bekijken.

Access restricted. Please log in or start a trial to view this content.

Protocol

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

1. Het bouwen van de systeemcoördinaten

  1. Navigeer naar CHARMM-GUI.org (C-GUI) met behulp van een webbrowser. Navigeer in het bovenste menu naar Input Generator en selecteer vervolgens Membrane Builder uit de verticale opties aan de linkerkant van het scherm.
  2. Als u een dubbellaag wilt bouwen, selecteert u Bilayer Builder.
    OPMERKING: Nieuwe gebruikers moeten hun gratis account activeren voordat ze hun eerste set coördinaten maken.
  3. Selecteer Systeem met alleen membraan. Sla de gegenereerde JOB-ID op om het systeem op te halen en ga indien nodig verder waar u was gebleven tijdens het proces.
    1. Visualiseer de systemen tijdens elke stap van het bouwproces door te klikken op Structuur weergeven in het vak bovenaan de pagina, of door het resulterende PDB-bestand te downloaden. Let op ontbrekende componenten, fouten in de geselecteerde invoerlipidesoort of patchgrootte.
  4. Selecteer de componenten van het systeem.
    1. Kies de optie Heterogene lipiden , zelfs als u een dubbellaag met één component bouwt; en selecteer vervolgens een type Rechthoekig vak .
    2. Selecteer 45 watermoleculen per lipide voor de hydratatie-optie; Dit is voldoende om een volledig gehydrateerde dubbellaag te garanderen.
    3. Stel de lengte van XY in op basis van het aantal lipidecomponenten. Selecteer vervolgens het aantal lipiden dat moet worden opgenomen voor elke lipidensoort die voorafgaand aan het model is bepaald. Voor de casestudy die in de volgende paragraaf wordt besproken, werd een membraanmodel gebouwd met 600 lipiden symmetrisch verdeeld in twee blaadjes. Om het ER van eukaryote cellen te modelleren, werd een mengsel van 336 DOPC-, 132 DPPE-, 60 CHOL- en 72 POPI-lipiden gebruikt voor het PI-model; en 330 DOPC-, 126 DPPE-, 54 CHOL-, 66 POPI- en 24 DOPS-lipiden voor het PI-PS-model.
      OPMERKING: C-GUI biedt een bibliotheek met lipidestructuren om uit te kiezen; Klik op de afbeeldingen naast de soortnaam voor de chemische structuur.
    4. Typ het gewenste aantal moleculen in het bovenste en onderste blaadje in de twee vakjes naast de naam van het lipide. Voor de casestudy is een symmetrische membraansamenstelling gewenst - zorg ervoor dat er geen fouten zijn over het ongeëvenaarde aantal lipiden in de bovenste en onderste bijsluiter. Als asymmetrie gewenst is, zorg er dan voor dat het totale aantal lipiden in elke bijsluiter correct is. Voor details over het bouwen van asymmetrische dubbellagen, zie het werk van Park et al.52,53.
    5. Ga naar de bovenkant van de lijst met lipidensoorten en klik op de knop Systeeminfo weergeven. Componenten monteren en het systeem voltooien.
    6. Selecteer de optie om neutraliserende ionen op te nemen met behulp van het op afstand gebaseerde algoritme voor snellere convergentie54.
    7. Laat de standaardoplossingsconcentratie van KCl op 0,15 mM staan. Dit is een typische zoutconcentratie om de simulatiebox voor membraandubbellagen neutraal te maken.
      OPMERKING: Als er een andere concentratie moet worden gebruikt, zorg er dan voor dat u na het bewerken op de knop Bereken de samenstelling van het oplosmiddel klikt.
  5. Selecteer de simulatievoorwaarden en -instellingen.
    1. Selecteer CHARMM36m als de FF-optie; Het wordt vaak gebruikt voor lipiden- en eiwitsimulaties, maar de gebruiker kan andere opties selecteren die in de inleiding worden besproken.
    2. Selecteer GROMACS als de MD-engine om voorbeeldinvoerbestanden in het overeenkomstige formaat te verkrijgen.
      OPMERKING: GROMACS wordt aanbevolen voor nieuwe gebruikers omdat het meerdere online bronnen, tutorials en forums voor ondersteuning heeft. De gebruiker kan kiezen uit meerdere MD-engines om opties te verkennen op het gebied van simulatieprestaties en codesyntaxis.
    3. Selecteer het Constant Particle-Pressure-Temperature (NPT)- ensemble, verreweg het meest gebruikte dynamische ensemble in de simulatie van lipidedubbellagen.
    4. Stel de temperatuur en druk in Kelvin en bar in op respectievelijk 303 K en 1 bar. Het is gebruikelijk om de temperatuur in te stellen tussen 298 K en 310 K voor de studie van biologische processen om een dubbellaag in de vloeibare wanordetoestand te garanderen.
      NOTITIE: De temperatuur is afhankelijk van de omstandigheden van het te simuleren proces en kan indien nodig worden gewijzigd. Afhankelijk van de lipidensoorten in het model, stelt u de temperatuur in op boven de overgangstemperatuur van pure lipidecomponenten voordat u de simulatie uitvoert.
  6. Download de resulterende bestanden en breng ze over naar het computercluster.
    1. Visualiseer het uiteindelijke systeem op een software naar keuze, zoals VMD of PyMol, en inspecteer op de juiste installatie.
      OPMERKING: Het is goed om bijvoorbeeld te controleren of er voldoende water rond het membraan is, zodat lipiden tijdens de simulatie geen interactie hebben met beeldatomen, en de juiste folderopstelling (een dubbellaag zonder ruimte of water ertussen).

2. MD-simulaties uitvoeren

  1. Upload en pak de bestanden uit van C-GUI op uw computercluster. Navigeer naar de Gromacs-directory . Maak een inzendingsscript voor ontspanning.
  2. Volg de richtlijnen van het cluster voor de indeling van een indieningsscript.
    1. Kopieer de vermelde opdrachten tot net boven de # Productieopmerking in het README-bestand naar het indieningsscript.
      OPMERKING: Deze standaard van C-GUI is een lus die een 6-staps ontspanning van het systeem uitvoert. Als een ander en goed ingeburgerd protocol gewenst is, bewerk het dan om de coördinaten te lezen die zojuist zijn gebouwd en gedownload van C-GUI.
  3. Verzend het ontspanningsscript en bevestig dat alle uitvoerbestanden voor alle stappen zijn gedownload voordat u naar de productierun gaat. Controleer na voltooiing op de volgende uitvoerbestanden van GROMACS, gegenereerd tijdens de 6-stapsuitvoering: *.log, *.tpr, *.gro, *.edr, *.trr / *.xtc
  4. Maak een script voor productieuitvoeringen.
    1. Gebruik een van de voorbeelden van gmx grompp en gmx mdrun commando's uit een van de ontspanningsstappen als sjabloon.
    2. Voordat u het script gebruikt, moet u ervoor zorgen dat u een *.mdp-bestand maakt dat vergelijkbare simulatie-opties bevat als het meegeleverde step7_production.mdp-bestand.
      OPMERKING: De meegeleverde standaardopties zijn standaard voor membraansimulaties; Ditances worden weergegeven in nm en de tijd wordt gegeven in picoseconden of aantal stappen (picoseconden / integratietijdstap). Werk de nsteps bij om uit te voeren tot de gewenste simulatielengte (dit is gelijk aan dt * nsteps) en nst[x,v,f]out om de gegevensbesparingsfrequentie in het aantal integratiestappen bij te werken. Stel voor de casestudy de nsteps in op 250.000.000 voor een simulatielengte van 500ns (simulatietijd / integratiestap = 500.000 ps / 0,002ps), en nst[x,v,f]out op 50.000 om elke 100 ps gegevens op te slaan
  5. Voordat u de daadwerkelijke simulatie uitvoert, voert u benchmarkonderzoeken uit om te bepalen wat het beste gebruik van resources is.
    1. Voer het systeem 1-2 ns uit met een verschillend aantal rekenknooppunten.
      OPMERKING: De ER-casestudy werd ingediend op het UB center for computational research (CCR) high-performance computing cluster55 gedurende 2 ns, waar de prestaties werden getest voor 1-10 knooppunten.
    2. Vergelijk de prestaties in ns/dag voor elke instelling om de optimale resources voor de uitvoering te bepalen. Het is gebruikelijk om het aantal knooppunten te selecteren dat resulteert in 75%-80% van de maximale prestaties.
  6. Voer de productierun uit.
    1. Voer elk systeem in drievoud uit om reproduceerbaarheid te garanderen en statistische analyses op de gegevens uit te voeren.
    2. Verleng het traject op basis van de benchmarks als de toegestane wachttijd voor indiening op het rekencluster is verstreken. Gebruik de gmx convert-tpr en vervolgens gmx mdrun-opdrachten om door te gaan met het verzamelen van trajecten.
      OPMERKING: Opties worden beschreven in de GROMACS-documentatie online (https://manual.gromacs.org/).
    3. Voor een membraansysteem met alleen membraan, onderzoek of het systeem een evenwicht heeft bereikt door de oppervlakte per lipide in de loop van de tijd te berekenen. Als dit niet het geval is, verlengt u het simulatietraject.

3. Analyse van het traject

  1. Visualiseer het systeem voordat u de analyse uitvoert om de moleculen van belang en het deel van het traject te bepalen dat bedoeld is voor karakterisering.
  2. Comprimeer onbewerkte trajectbestanden (*.trr) door het bestandsformaat te wijzigen in *.xtc en/of frames over te slaan om de bestandsgrootte te verkleinen en een efficiëntere overdracht naar het lokale station voor visualisatie en analyse mogelijk te maken.
    OPMERKING: Voor grote membraansystemen kan men ervoor kiezen om water uit het traject te verwijderen om de bestandsgrootte verder te verkleinen. Dit kan worden gedaan met indexbestanden op GROMACS, TCL-scripts op VMD of Python-bibliotheken zoals MDAnalysis en MDTraj.
  3. Voer gekozen analyses uit tijdens het evenwichtige deel van het traject, zoals bepaald op basis van de tijdreeks per lipide.
    OPMERKING: Raadpleeg de discussie voor meer informatie over typische membraananalyses en hoe deze moeten worden uitgevoerd.

Access restricted. Please log in or start a trial to view this content.

Results

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

Om het gebruik van het protocol en de resultaten die kunnen worden verkregen te illustreren, wordt een vergelijkende studie voor membraanmodellen voor het endoplasmatisch reticulum (ER) besproken. De twee modellen in deze studie waren (i) het PI-model, dat de vier belangrijkste lipidensoorten bevat die in het ER worden aangetroffen, en (ii) het PI-PS-model, dat de anionische fosfatidylserine (PS) lipidesoorten toevoegde. Deze modellen werden later gebruikt in een onderzoek naar een viraal eiwit en hoe het interageert met...

Access restricted. Please log in or start a trial to view this content.

Discussion

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

Experimentele technieken kunnen biomoleculen met hoge resolutie visualiseren met behulp van cryo-elektronenmicroscopie (cryo-EM)58, fluorescentietechnieken en atoomkrachtmicroscopie (AFM)59. Het is echter een uitdaging om het samenspel en de dynamiek van moleculaire interacties vast te leggen die ten grondslag liggen aan biologische routes, ziektepathogenese en therapeutische afgifte op atomair of aminozuurniveau. Hier werden de mogelijkheden van MD-simulaties om lipidememb...

Access restricted. Please log in or start a trial to view this content.

Disclosures

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

De auteurs hebben geen tegenstrijdige belangen om bekend te maken.

Acknowledgements

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

De auteurs danken Jinhui Li en Ricardo X. Ramirez voor hun simulatietrajecten en discussies tijdens het schrijven van dit manuscript. OC werd ondersteund door de University at Buffalo Presidential Fellowship en het National Institute of Health's Initiative for Maximizing Student Development Training Grant 1T32GM144920-01 toegekend aan Margarita L. Dubocovich (PI).

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Anaconda3Anaconda Inc (Python & related libraries)N/A
CHARMM-GUI.orgIm lab, Lehigh UniversityN/A
GROMACSGROMACS development teamN/A
Linux HPC ClusterUB CCRN/A
MATLABMathWorksN/A
VMDTheoretical and Computational Biophysics GroupN/A

References

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

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Membrane ModelingLipid MixturesMolecular DynamicsLipid Bilayer SimulationMembrane CompositionCHARMM GUIGROMACS SimulationBilayer StructureLipid SpeciesMembrane Protein Interaction

Related Articles