Method Article

Een workflow voor het visualiseren van eiwitconformationele dynamiek uit Cryo-EM-kaarten met behulp van menselijke asparaginesynthetase

DOI:

10.3791/70312

⸱

March 20th, 2026

1Department of Biochemistry, Molecular Biology and Pharmacology, Indiana University School of Medicine

In This Article

Summary

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

Dit protocol beschrijft hoe 3D-variabiliteitsanalyse (3DVA) in CryoSPARC en variabiliteitsverfijning in Phenix uitgevoerd kan worden om conformationele heterogeniteit in cryo-EM-data te analyseren. Met humane asparaginesynthetase als voorbeeld schetst het hoe variabiliteitskaarten kunnen worden gegenereerd, hoofdcomponenten kunnen worden gevisualiseerd en overeenkomstige atomaire modellen kunnen verfijnen.

Abstract

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

Dit artikel presenteert een uitgebreide workflow voor het analyseren van conformationele heterogeniteit in single-particle cryo-elektronenmicroscopie (cryo-EM) data met behulp van 3D-variabiliteitsanalyse (3DVA) in CryoSPARC en variabiliteitsverfijning in Phenix. Het protocol beschrijft hoe variabiliteitskaarten langs hoofdcomponenten afgeleid van deeltjesbeelden worden berekend, hoofdmodi van structurele variatie worden gevisualiseerd en overeenkomstige ensembles van atomaire modellen worden verfijnd met individuele variabiliteitsframes. De resulterende output omvat een reeks 3D-variabiliteitskaarten, verfijnde multimodel atomaire structuren die discrete conformationele toestanden voorstellen, en visualisatiebestanden die geschikt zijn voor vergelijkende structurele analyse en filmgeneratie. Deze workflow is breed toepasbaar op cryo-EM-reconstructies in het resolutiebereik (typisch ~2,0-6,0 Å), waar conformationele heterogeniteit zinvol kan worden geïnterpreteerd op het backbone- en side-chain niveau. Het is bijzonder geschikt voor het vastleggen van bewegingen in het continue domein, scharnierbuigende bewegingen en gecoördineerde lokale herschikkingen die niet gemakkelijk door discrete classificatie alleen worden opgelost. Het gecombineerde gebruik van variabiliteitskaarten en verfijnde modelensembles maakt directe structurele vergelijking van conformationele extremen mogelijk, ondersteunt kwantitatieve analyses zoals wortel-middelkwadradraat fluctuatie (RMSF) berekeningen en biedt een kader om dynamische structurele kenmerken te koppelen aan biochemische of functionele hypothesen. Menselijke asparaginesynthetase (ASNS) wordt als voorbeeld gebruikt om de praktische implementatie van de workflow te demonstreren.

Introduction

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

Het karakteriseren van conformationele heterogeniteit in macromoleculaire structuren is een steeds belangrijker aspect van de cryo-elektronenmicroscopie (cryo-EM) analyse van enkeldeeltjes. Het doel van dit protocol is om een praktische workflow te bieden voor het extraheren, visualiseren en verfijnen van dominante modi van structurele variabiliteit direct uit cryo-EM datasets met behulp van driedimensionale variabiliteitsanalyse (3DVA) in CryoSPARC1 , gecombineerd met variabiliteitsverfijning in Phenix2. Dit artikel is bedoeld om lezers te begeleiden bij het bepalen of deze computationele aanpak geschikt is voor hun data en bij het begrijpen van de soorten output die door de workflow worden gegenereerd.

Traditionele experimentele technieken (bijv. waterstof-deuteriumuitwisseling, NMR-spectroscopie, massaspectrometrie) leveren waardevolle informatie over eiwitbewegingen 3,4,5, maar worden vaak beperkt door molecuulgrootte, monstervereisten of experimentele complexiteit. Vooruitgang in cryo-EM heeft het mogelijk gemaakt om hoge resolutie structuurbepaling te bepalen voor grote en heterogene systemen, waardoor analyse van de conformationele variabiliteit binnen deeltjespopulaties mogelijk is. 3D-variabiliteitsanalyse (3DVA), geïmplementeerd in CryoSPARC1, ontleedt cryo-EM-deeltjesdatasets in hoofdcomponenten die dominante, continue modi van structurele variatie beschrijven. In combinatie met variabiliteitsverfijning in Phenix2 levert deze aanpak atomaire modellen op die overeenkomen met discrete posities langs elk hoofdcomponent, waardoor visualisatie en vergelijking van alternatieve conformaties afkomstig uit experimentele data mogelijk is.

Dit protocol is het beste geschikt voor cryo-EM datasets die worden gereconstrueerd op een bijna-atomaire tot intermediaire resolutie (typisch ~2-6 Å). Bij hogere resoluties kan de workflow backbone-herschikkingen en beperkte sidechain-variabiliteit vastleggen6, terwijl het bij lagere resoluties geschikter is om domeinniveau- of secundaire-structuurbewegingen te identificeren 2,7. De methode is geschikt om dominante, continue bewegingsmodi vast te leggen die breed in de dataset voorkomen, zoals scharnierbewegingen, domeinademhaling of gecoördineerde herschikkingen tussen domeinen of subunits. Voldoende deeltjesaantallen en hoekdekking zijn essentieel, en interpretatie kan beperkt zijn in flexibele of zwak opgeloste gebieden waar sidechain-posities onduidelijk blijven. In vergelijking met gerichte classificatie8 of uitgebreide subclassificatiestrategieën vertegenwoordigt de 3D-variabiliteitsverfijningsworkflow conformationele heterogeniteit als continue trajecten in plaats van discrete klassen. Dit maakt de methode bijzonder nuttig voor de verkennende analyse van enzymen, moleculaire machines en multidomeincomplexen die naar verwachting meerdere conformaties bemonsteren.

Humane asparaginesynthetase (ASNS) wordt als illustratief voorbeeld gebruikt om de implementatie van het protocol te demonstreren. ASNS is een glutamine-afhankelijke amidotransferase die bestaat uit twee functionele domeinen die verbonden zijn door een intramoleculaire ammoniaktunnel 9,10. Eerdere studies suggereren dat conformatieveranderingen met residuen zoals Arg-142 bijdragen aan de modulatie van deze tunnel6. In dit artikel dient ASNS uitsluitend als een representatief systeem om aan te tonen hoe 3DVA en variabiliteitsverfijning variabiliteitskaarten, verfijnde atomaire modelensembles en visualisaties genereren. Gedetailleerde mechanistische interpretatie wordt overgelaten naar de secties Resultaten en Discussie. Hoewel moleculaire dynamica (MD) simulaties vaak worden gebruikt als een aanvullende benadering om conformationele landschappente verkennen 11,12, is MD voor dit protocol niet vereist. Vergelijkingen met MD-simulaties kunnen worden uitgevoerd als een optionele downstream-analyse, maar de hier beschreven workflow (Figuur 1) richt zich uitsluitend op het extraheren en visualiseren van conformationele heterogeniteit uit cryo-EM-gegevens.

figure-introduction-1
Figuur 1. Overzicht van de workflow. Een consensus cryo-EM-kaart wordt gereconstrueerd uit enkeldeeltjesgegevens en onderworpen aan driedimensionale variabiliteitsanalyse (3DVA) om variabiliteitskaarten langs hoofdcomponenten te genereren. Variabiliteitsverfijning (Phenix.varref) gebruikt het consensus atomaire model om overeenkomstige atomaire modellen te genereren voor visualisatie en vergelijking. 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. Datavoorbereiding

  1. Generatie van consensus EM-kaart
    1. Gebruik single-particle cryo-elektronenmicroscopie (cryo-EM) om de consensus 3D-structuur van het macromoleculaire complex te bepalen.
    2. Vitrificeer monsters op cryo-roosters en beeld af met een hoogspanningstransmissie-elektronenmicroscoop uitgerust met een directe elektronendetector.
    3. Verwerk de verzamelde films om bundel-geïnduceerde beweging te corrigeren, schat beeldparameters en selecteer deeltjesbeelden.
    4. Voer iteratieve classificatie en verfijning van de deeltjes uit om een consensus elektromagnetische kaart te genereren.
    5. Voer gegevensverwerking uit met CryoSPARC (v4 of hoger)13, aangezien 3D-variabiliteitsanalyse (3DVA) zal worden geïmplementeerd.
  2. Genereer een consensusmodel
    1. Bouw een atomair model en verfijn het aan de hand van de consensuskaart. Valideer de kwaliteit van het verfijnde model met behulp van standaardcriteria
      OPMERKING: Voor ASNS werd de structuur bepaald met behulp van een sjabloon-gebaseerde partikelselectiestrategie. Sjabloon afgeleid van de röntgenstructuur van DON-gemodificeerde menselijke ASNS (PDB 6GQ3)9werd gebruikt om efficiënt hoogwaardige deeltjes te selecteren in CryoSPARC13. Deze deeltjes ondergingen iteratieve rondes van 2D-classificatie, Ab initio-reconstructie en heterogene en niet-uniforme verfijning met C2-symmetrie opgelegd, wat resulteerde in een 3,5 Å consensuskaart . Het atomaire model werd gegenereerd door de kristalstructuur9 in de EM-kaart te gebruiken, gevolgd door real-space verfijning in Phenix14,15 en handmatige aanpassing in Coot16, waarmee de uiteindelijke consensusstructuur van ASNS werd geproduceerd zoals beschreven6.

2. 3D-variabiliteitsanalyse uitvoeren (3DVA)

  1. Gebruik de deeltjesstapel en het masker (niet een definitieve verfijnde map) voor een laatste verfijning
    OPMERKING: Vaak worden de resultaten van een niet-uniforme verfijningsklus gebruikt voor 3DVA.
  2. Maak een 3D-variabiliteitsjob aan in CryoSPARC. Voer deeltjesstapel en masker in vanuit de niet-uniforme verfijningstaak.
  3. Stel het aantal modi in dat opgelost moet worden: het aantal hoofdcomponenten (PC's) op 5.
    OPMERKING: Omdat macromoleculaire structuren bestaan in driedimensionale ruimte, zijn doorgaans minstens drie PC's nodig om hun belangrijkste ruimtelijke bewegingsmodi te beschrijven. Om ervoor te zorgen dat extra, mogelijk kleinere maar functioneel relevante conformationele variaties niet over het hoofd werden gezien, werden twee extra PC's toegevoegd.
  4. Stel filterresolutie in op 4,0 Å en highpassresolutie op 20. Laat alle andere parameters als standaard. Begin met de baan.
    OPMERKING: "Filterresolutie" van 4,0 Å werd ingesteld om te passen bij de algehele kwaliteit van de dataset, terwijl overfitting door hoogfrequente ruis werd voorkomen. Aangezien de uiteindelijke consensuskaart werd bepaald op 3,5 Å resolutie, zorgde het toepassen van een iets lagere filterresolutie (4,0 Å) ervoor dat de variabiliteitsanalyse zich richtte op echte structurele bewegingen in plaats van ruis nabij de resolutiegrens.
  5. Verkrijg een set variabiliteitsvolumes als uitvoer (Figuur 2A)

3. Het uitvoeren van 3D-variabiliteitsweergave

  1. Maak een 3D Variability Display-taak in CryoSPARC om de continue conformationele veranderingen die door de 3DVA worden geïdentificeerd te visualiseren.
  2. Voer de deeltjesstapel en de variabiliteitsvolumes die door de 3DVA-taak worden gegenereerd, in.
  3. Selecteer Eenvoudig als uitvoermodus (zie hieronder).
  4. Stel de filterresolutie in op 4.0 en stel de highpassresolutie in op 20. Laat alle andere parameters op hun standaardwaarden. Begin met de baan.
  5. Verkrijg 20 variabiliteitskaarten als resultaat (frame 0 tot 19) die overeenkomen met 5 hoofdcomponenten (PC) van 0 tot 4 (Figuur 2B)
    OPMERKING: De "eenvoudige modus" in het 3D Variability Display-programma biedt een eenvoudige visualisatie van conformationele veranderingen langs elk hoofdcomponent. Deze modus genereert lineaire trajecten tussen de extreme toestanden die door 3DVA worden geïdentificeerd, waardoor een duidelijke, directe interpretatie van de bewegingen binnen de deeltjespopulatie mogelijk is.

4. Datavoorbereiding voor films en Phenix 3D-variabeleverfijning

  1. Download 3DVA-variabiliteitskaarten: Download de zipbestanden met variabiliteitskaarten voor pc's 0-4 (in totaal vijf zips) van CryoSPARC.
  2. Organiseer directories: Maak een oudermap aan (bijv. 3DVA/). Binnenin maak je één submap aan voor elke hoofdcomponent (comp0, comp1, comp2, comp3, comp4).
  3. Verplaats elke zip naar de bijbehorende map en pak de inhoud uit.
  4. Controleer of elke map 20 variabiliteitskaarten bevat (frames 0-19) en herhaal dit voor comp1-comp4.
    OPMERKING: Houd aparte mappen voor elk hoofdcomponent om te voorkomen dat frames over pc's worden gemengd.

5. Bereid snelle films voor in UCSF Chimera (Optioneel) 17

  1. Open de Volume Series-tool: Start Chimera en ga vervolgens naar Tools → Volume Data → Volume Series. Er opent een nieuw venster voor de Volume Series .
  2. Laad de kaarten: Klik op Open en selecteer de 20 kaarten die overeenkomen met één hoofdcomponent (bijv. comp0).
  3. Pas visualisatieparameters aan: Open Volume Viewer, stel de juiste dichtheidsdrempel in en wijs een kleur toe aan de kaart.
    OPMERKING: In dit voorbeeld werd hemelsblauw gebruikt (Figuur 3).
  4. Voorbeeldbeweging: Zet in het Volume Series-venster de afspeelrichting op Oscilleren en klik vervolgens op Afspelen om een continue overgang van frame 0 → 19 → 0 weer te geven.
  5. Herhaal voor extra componenten: Herhaal stappen 5.2-5.4 voor andere hoofdcomponenten indien nodig.
  6. Genereer een filmbestand met commandoregelinvoer: Exporteer een film door de Chimera-opdrachtregel te openen en Supplementary Coding File 1 te draaien.
    OPMERKING: De per-component, 20-frame mrc-reeks (bijv. compX_frame000-019.mrc) zijn de invoer voor Phenix 3D-variabeleverfijning. Houd componentmappen gescheiden (comp0-comp4) om frames niet tussen pc's te mengen.

6. Modelgeneratie door variabiliteitsverfijning in phenix

OPMERKING: Phenix.varref kan vanuit elke map worden uitgevoerd zolang de volledige paden naar de invoerkaarten en het model zijn gespecificeerd. Voor de organisatorische duidelijkheid wordt echter aanbevolen om de verfijning in een speciale submap voor elke pc uit te voeren.

  1. Kopieer het definitieve verfijnde consensusmodelbestand naar de submap die bij elke pc hoort.
  2. Binnen elke submap voer je Phenix.varref uit vanuit de opdrachtregel met de volgende syntaxis:
    phenix.varref consensus_model.pdb *frame_*.mrc resolution=4 nproc=20 models_per_map=50
  3. Stel de resolutie in op 4.0 Å om overeen te komen met de effectieve resolutie van de 3DVA-kaarten
  4. Stel nproc in op het aantal beschikbare processoren (20 in dit voorbeeld, maar dit kan variëren afhankelijk van de beschikbare rekenkrachten)
  5. Stel models_per_map in op 50 modellen (standaard).
    OPMERKING: Voor elke kaart worden 50 modellen gegenereerd met beperkingen die zijn aangepast aan de resolutie van de 3DVA-gegevens. Het best passende model voor elke kaart wordt automatisch behouden. Het resulterende uitvoerbestand bevat 20 verfijnde modellen die overeenkomen met de 20 variabiliteitskaarten. De output bestaat uit een PDB-bundel met 20 verfijnde modellen, samen met individuele kaartbestanden.
  6. Breng geen extra mapverscherping toe tijdens variabiliteitsverfijning. Gebruik de variabiliteitskaarten die door CryoSPARC worden gegenereerd (gefilterd op 4,0 Å) direct als invoer naar phenix.varref.

7. Visualisatie

  1. Open de PDB-bundel in ChimeraX18 om alle 20 verfijnde modellen gelijktijdig te laden.
  2. Gebruik het Modellenpaneel om selectief individuele frames of specifieke modellen van belang weer te geven voor vergelijking en analyse (Figuur 4). Alternatief kan elk verfijnd model ook afzonderlijk worden geopend in ChimeraX of Chimera.

8. Gegevensvoorbereiding voor analyse

OPMERKING: Door bovenstaande syntaxis uit te voeren, wordt een PDB-bundel gegenereerd met 20 variabelenmodellen en elke individuele map. Voor de meeste analyses zijn slechts twee modellen vereist—corresponderend met frame 0 en frame 19—omdat deze de twee extreme conformationele toestanden langs de geselecteerde hoofdcomponent (PC) vertegenwoordigen.

  1. Open de PDB-bundel in ChimeraX, selecteer model 1.1 (frame 0) en model 1.20 (frame 19), en sla elk model op als een apart PDB-bestand (Figuur 4).
  2. Bewerk de resulterende PDB-bestanden om residuen van belang te isoleren. Dit kan handmatig of met behulp van Phenix.pdb.tools.
  3. Vergelijk de twee aangepaste PDB-bestanden om conformationele veranderingen in de ruggengraat of zijketens te identificeren.
  4. Om de twee PDB-modellen te vergelijken, legt u de aangepaste structuren over elkaar heen met behulp van de MatchMaker-functie in Chimera.
    OPMERKING: Voor betrouwbare uitlijning vereist MatchMaker doorgaans minstens 10-15 overlappende residuen. In ons geval werden slechts 6 residuen geanalyseerd; echter, succesvolle superpositie werd bereikt door gebruik te maken van het homodimere karakter van ASNS - terwijl er slechts 6 residuen in keten A overbleven, bleef keten B intact en diende als referentie voor uitlijning.

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

Results

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

Deze sectie presenteert representatieve outputs die zijn gegenereerd door de 3D-variabiliteitsanalyse (3DVA) en variabiliteitsverfijningsworkflow en geeft richtlijnen bij hun interpretatie. Menselijke asparaginesynthetase (ASNS) wordt gebruikt als illustratieve dataset om succesvolle resultaten, veelvoorkomende artefacten en vergelijkende analyses die door het protocol mogelijk worden gemaakt, aan te tonen. De volledige set van 3DVA-afgeleide variabiliteitskaarten en de bijbehorende verf...

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

Discussion

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

Kritieke protocolstappen en beslissingspunten
Effectief gebruik van dit protocol hangt af van verschillende belangrijke stappen in de workflow. De kwaliteit van de deeltjesstapel en het masker die worden gebruikt voor de definitieve cryo-EM-verfijning is cruciaal, aangezien 3D-variabiliteitsanalyse (3DVA) direct op deze ingangen werkt in plaats van op een nabewerkte kaart. De selectie van het aantal hoofdcomponenten (PC's) moet de grootte van de dataset en de verwacht...

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

Disclosures

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

De auteur heeft geen belangenconflict om aan te geven.

Acknowledgements

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

Ik dank de leden van de laboratoria Takagi, Zhu, Vos, Chaptal, Alcaro en Richards voor hun bijdragen aan de publicatie waarop dit artikel is gebaseerd. De auteur dankt de Indiana University School of Medicine Electron Microscopy Facility en de NIH/NIGMS (S10 OD028723) voor hun ondersteuning van dit werk. Aanvullende financiering werd verstrekt door de Indiana University School of Medicine (Y.T.), deels door de NIGMS (R01GM111695 aan Y.T.), en de American Cancer Society (DBG-23-1038947-01-IBCD aan Y.T.).

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

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
CryoSPARC v4.4+Structura Biotechnologyhttps://cryosparc.comSoftware voor cryo-EM verwerking
Phenix v1.24+Phenix Consortiumhttps://phenix-online.orgSoftware voor Variabiliteitsverfijning
UCSF ChimeraResource for Biocomputing, Visualization, and Informatics, UCSFhttps://www.cgl.ucsf.edu/chimera/Software voor moleculaire visualisatie
UCSF ChimeraXResource for Biocomputing, Visualization, and Informatics, UCSFhttps://www.cgl.ucsf.edu/chimerax/Software voor moleculaire visualisatie
CPPTRAJAMBER moleculaire dynamica softwaresuitehttps://amberhub.chpc.utah.edu/cpptraj/Python tools voor RMSF berekening
Linux Workstation (zelf samengestelde GPU-gebaseerde systeem)
Workstation CaseSupermicrohttps://www.supermicro.comWorkstation behuizing: Supermicro CSE-743TQ-1200B-SQ 1200W 4U Server Super Chassis 
CPUIntel https://www.intel.comCPU: XEON E5-2690V3 x2
Mother BoardSupermicrohttps://www.supermicro.comMoederbord: Supermicro Extended ATX DDR4 LGA 2011 Moederbord X10DAI-O
MemoryCrucialhttps://www.crucial.comGeheugen: Crucial 64GB Kit (16GBx4) DDR4 2133 (PC4-2133) DR x4 ECC Registered. 288-Pin Server Memory CT4K16G4RFD4213 / CT4C16G4RFD4213 x2
Hard driveWestern Digitalhttps://www.westerndigital.comHDD: WD RE 4TB Enterprise Hard Drive
RAID CONTROLLERLSI Logichttps://www.broadcom.comRAID CONTROLLER: LSI LOGIC MegaRAID SAS 9271-8i Kit
GPUNVIDIA https://www.nvidia.comQuadro M6000 grafische kaart met 24 GB GDDR5 geheugen

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Punjani, A., Fleet, D. J. 3D variability analysis: Resolving continuous flexibility and discrete heterogeneity from single particle cryo-EM. J Struct Biol. 213 (2), 107702(2021).
  2. Afonine, P. V., et al. Conformational space exploration of cryo-EM structures by variability refinement. Biochim Biophys Acta Biomembr. 1865 (4), 184133(2023).
  3. Schwartz, S. D. Protein Dynamics and Enzymatic Catalysis. J Phys Chem B. 127 (12), 2649-2660 (2023).
  4. Xu, D., Meisburger, S. P., Ando, N. Correlated Motions in Structural Biology. Biochemistry. 60 (30), 2331-2340 (2021).
  5. Gao, S., Klinman, J. P. Functional roles of enzyme dynamics in accelerating active site chemistry: Emerging techniques and changing concepts. Curr Opin Struct Biol. 75, 102434(2022).
  6. Coricello, A., et al. 3D variability analysis reveals a hidden conformational change controlling ammonia transport in human asparagine synthetase. Nat Commun. 15 (1), 10538(2024).
  7. Gobet, A., et al. Rhodamine6G and Hoechst33342 narrow BmrA conformational spectrum for a more efficient use of ATP. Nat Commun. 16 (1), 1745(2025).
  8. Barchet, C., et al. Focused classifications and refinements in high-resolution single particle cryo-EM analysis. J Struct Biol. 215 (4), 108015(2023).
  9. Zhu, W., et al. High-resolution crystal structure of human asparagine synthetase enables analysis of inhibitor binding and selectivity. Commun Biol. 2, 345(2019).
  10. Richards, N. G., Schuster, S. M. Mechanistic issues in asparagine synthetase catalysis. Adv Enzymol Relat Areas Mol Biol. 72, 145-198 (1998).
  11. Matsumoto, S., Ishida, S., Terayama, K., Okuno, Y. Quantitative analysis of protein dynamics using a deep learning technique combined with experimental cryo-EM density data and MD simulations. Biophys Physicobiol. 20 (2), e200022(2023).
  12. Vant, J. W., et al. Exploring cryo-electron microscopy with molecular dynamics. Biochem Soc Trans. 50 (1), 569-581 (2022).
  13. Punjani, A., Rubinstein, J. L., Fleet, D. J., Brubaker, M. A. cryoSPARC: algorithms for rapid unsupervised cryo-EM structure determination. Nat Methods. 14 (3), 290-296 (2017).
  14. Adams, P., et al. PHENIX: a comprehensive Python-based system for macromolecular structure solution. Acta Crystallogr D Biol Crystallogr. 66, 213-221 (2010).
  15. Afonine, P. V., et al. New tools for the analysis and validation of cryo-EM maps and atomic models. Acta Crystallogr D Struct Biol. 74 (Pt 9), 814-840 (2018).
  16. Emsley, P., Cowtan, K. Coot: model-building tools for molecular graphics. Acta Crystallogr D Biol Crystallogr. 60 (Pt 12 Pt 1), 2126-2132 (2004).
  17. Pettersen, E., et al. UCSF Chimera--a visualization system for exploratory research and analysis. J Comput Chem. 25, 1605-1612 (2004).
  18. Pettersen, E. F., et al. UCSF ChimeraX: Structure visualization for researchers, educators, and developers. Protein Sci. 30 (1), 70-82 (2021).
  19. Roe, D. R., Cheatham, T. E. 3rd PTRAJ and CPPTRAJ: Software for Processing and Analysis of Molecular Dynamics Trajectory Data. J Chem Theory Comput. 9 (7), 3084-3095 (2013).

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

Protein Conformational DynamicsCryo EM Maps3D Variability AnalysisCryoSPARC WorkflowVariability RefinementPhenix SoftwareConformational HeterogeneityAtomic Model EnsemblesStructural ComparisonHuman Asparagine Synthetase
Video Coming Soon

Related Articles