Artykuł metodologiczny

Modelowanie struktury czwartorzędowej za pomocą chemicznej sieciowania spektrometrii mas: rozszerzenie raportów TX-MS Jupyter

DOI:

10.3791/60311

⸱

20 października 2021

 ,  , 
1Equipe Signalisation Calcique et Infections Microbiennes, Ecole Normale Supérieure Paris-Saclay, 2Institut National de la Santé et de la Recherche Médicale, 3Scientific IT Services, ETH Zurich, 4Institute for Computational Science, University of Zurich, 5S3IT, University of Zurich, 6Division of Infection Medicine, Department of Clinical Sciences Lund, Faculty of Medicine, Lund University

W tym artykule

Podsumowanie

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

Ukierunkowana spektrometria mas sieciowania tworzy czwartorzędowe modele struktury białek przy użyciu danych spektrometrii mas uzyskanych przy użyciu maksymalnie trzech różnych protokołów akwizycji. W przypadku wykonywania jako uproszczony przepływ pracy na serwerze internetowym Cheetah-MS wyniki są raportowane w Jupyter Notebook. W tym miejscu pokazujemy techniczne aspekty tego, w jaki sposób można rozszerzyć Jupyter Notebook w celu uzyskania bardziej dogłębnej analizy.

Streszczenie

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

Interakcje białko-białko mogą być trudne do zbadania, ale dostarczają wglądu w funkcjonowanie systemów biologicznych. Ukierunkowana sieciowanie spektrometrii mas (TX-MS), metoda łącząca modelowanie struktury białek czwartorzędowych i chemiczną spektrometrię mas z sieciowaniem, tworzy modele struktury o wysokiej dokładności na podstawie danych uzyskanych ze złożonych, niefrakcjonowanych próbek. Usuwa to jedną z głównych przeszkód w analizie struktury kompleksu białek, ponieważ białka będące przedmiotem zainteresowania nie muszą być już oczyszczane w dużych ilościach. Serwer WWW Cheetah-MS został opracowany, aby uproszczona wersja protokołu była bardziej dostępna dla społeczności. Biorąc pod uwagę tandemowe dane MS/MS, Cheetah-MS generuje Jupyter Notebook, graficzny raport podsumowujący najważniejsze wyniki analizy. Rozszerzenie Jupyter Notebook może zapewnić bardziej szczegółowe informacje i lepiej zrozumieć model oraz wspierające go dane spektrometrii mas. Przedstawiony tutaj protokół techniczny przedstawia niektóre z najczęstszych rozszerzeń i wyjaśnia, jakie informacje można uzyskać. Zawiera bloki pomagające w analizie danych akwizycji tandemowych MS/MS oraz ogólnego wpływu wykrytych XL na raportowane modele czwartorzędowe. Wynik takich analiz można zastosować do modeli konstrukcyjnych, które są osadzone w notatniku za pomocą NGLView.

Wprowadzenie

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

Interakcje białko-białko stanowią podstawę struktury i funkcji systemów biologicznych. Dostęp do czwartorzędowych struktur białek może zapewnić wgląd w to, jak dwa lub więcej białek oddziałuje na siebie, tworząc struktury wyższego rzędu. Niestety, uzyskanie struktur czwartorzędowych pozostaje wyzwaniem; znajduje to odzwierciedlenie w stosunkowo niewielkiej liczbie wpisów w Protein DataBank (PDB) 1 zawierających więcej niż jeden polipeptyd. Interakcje białko-białko można badać za pomocą technologii takich jak krystalografia rentgenowska, NMR i cryo-EM, ale uzyskanie wystarczającej ilości oczyszczonego białka w warunkach, w których można zastosować metody, może być czasochłonne.

Chemiczna spektrometria mas sieciowania została opracowana w celu uzyskania danych eksperymentalnych na temat interakcji białko-białko z mniejszymi ograniczeniami w przygotowaniu próbki, ponieważ spektrometria mas może być używana do pozyskiwania danych o dowolnie złożonych próbkach2,3,4,5,6,7,8,9. Jednak kombinatoryczny charakter analizy danych i stosunkowo niewielka liczba usieciowanych peptydów wymagają, aby próbki były frakcjonowane przed analizą. Aby zaradzić temu brakowi, opracowaliśmy TX-MS, metodę, która łączy modelowanie obliczeniowe z chemicznym sieciowaniem spektrometrii mas10. TX-MS może być używany na dowolnie złożonych próbkach i jest znacznie bardziej czuły w porównaniu z poprzednimi metodami10. Osiąga to poprzez ocenę wszystkich danych związanych z daną interakcją białko-białko jako zestaw, zamiast interpretować każde widmo MS niezależnie. TX-MS wykorzystuje również do trzech różnych protokołów akwizycji MS: MS1 o wysokiej rozdzielczości (hrMS1), akwizycji zależnej od danych (DDA) i akwizycji niezależnej od danych (DIA), co dodatkowo daje możliwości identyfikacji usieciowanego peptydu poprzez połączenie wielu obserwacji. Obliczeniowy przepływ pracy TX-MS jest złożony z kilku powodów. Po pierwsze, opiera się na wielu programach do analizy MS11,12,13 do tworzenia modeli struktury białka14,15. Po drugie, ilość danych może być znaczna. Po trzecie, etap modelowania może pochłaniać znaczne ilości mocy obliczeniowej komputera.

W związku z tym, TX-MS najlepiej sprawdza się jako zautomatyzowany, uproszczony przepływ pracy obliczeniowej za pośrednictwem serwera WWW Cheetah-MS16, który działa na dużych infrastrukturach obliczeniowych, takich jak chmury komputerowe lub klastry. Aby ułatwić interpretację wyników, stworzyliśmy interaktywny Jupyter Notebook17. W tym miejscu pokazujemy, w jaki sposób można rozszerzyć raport Jupyter Notebook, aby uzyskać bardziej dogłębną analizę danego wyniku.

Protokół

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

1. Prześlij przepływ pracy na https://txms.org.

  1. Przejdź do https://txms.org i kliknij "Użyj Cheetah-MS."
  2. Aby przesłać przepływ pracy, należy dostarczyć dwa pliki PDB i jeden plik MS/MS mzML lub MGF. Możesz również kliknąć przycisk "załaduj przykładowe dane", aby zobaczyć wersję demonstracyjną przepływu pracy.
    UWAGA: Proszę zajrzeć na stronę podręcznika systemowego serwera WWW, aby uzyskać szczegółowe informacje na temat przesyłania zadania. Serwer WWW obsługuje różne nierozszczepialne agenty sieciujące, do 12 modyfikacji potranslacyjnych (PTM), opcje związane z modelowaniem obliczeniowym i analizą danych MS. Na stronie przesyłania zaprojektowano również małe przyciski pomocy, aby wyświetlić więcej informacji dotyczących każdej opcji.

2. Uruchom Cheetah-MS.

UWAGA: Konwertuj formaty specyficzne dla dostawcy na mzML lub MGF za pomocą oprogramowania ProteoWizard MSConvert19.

  1. Prześlij dane MS do https://txms.org. Następnie klikamy na "Wybierz plik" i wybieramy dane MS, które muszą być w formatach danych mzML/MGF class18.
    UWAGA: Przykładowe dane są dostępne na stronie https://txms.org. Dane te są również bezpośrednio dostępne pod numerem zenodo.org, DOI 10.5281/zenodo.3361621.
  2. Prześlij dwa pliki PDB do https://txms.org. Kliknij "Wybierz plik" i wybierz pliki PDB do przesłania.
    UWAGA: Jeśli nie istnieją żadne struktury eksperymentalne, utwórz modele, używając na przykład serwerów WWW SWISS-MODEL20, jeśli dostępne są struktury homologów, lub trRosetta21,22 lub Robetta23,24 do przewidywania struktury de novo.
  3. Prześlij nowy przepływ pracy. Kliknij "Prześlij", aby otrzymać znacznik identyfikatora zadania. Następnie postępuj zgodnie z formularzem do sekcji wyników, używając tego tagu.
    UWAGA: Obliczanie wyniku wymaga czasu, dlatego należy poczekać, aż zakończy się przepływ pracy, i zapisać znacznik identyfikatora zadania, aby powrócić do strony wyników. Obliczenia są przeprowadzane na zdalnej infrastrukturze obliczeniowej. Jeśli chcesz uruchomić TX-MS lokalnie, zapoznaj się z Hauri et al.10.
  4. Sprawdź raport Jupyter Notebook przy użyciu przeglądarki online. Następnie przewiń w dół do sekcji "Raport" w sekcji wyników za pomocą tagu identyfikatora zadania.

3. Zainstaluj JupyterHub.

  1. Zainstaluj platformę Docker zgodnie z instrukcjami w https://docs.docker.com/install/.
  2. Pobierz kontener platformy Docker JupyterHub z rozszerzeniem Jupyter openBIS25. Ogólne polecenie to "docker pull malmstroem/jove:latest", ale może się różnić na innych platformach.
    UWAGA: Aby zapoznać się z ogólną dyskusją na temat pobierania kontenerów, zapoznaj się z https://www.docker.com/get-started. Kontener można również pobrać ze strony zenodo.org, DOI 10.5281/zenodo.3361621.
    UWAGA: Kod źródłowy rozszerzenia Jupyter openBIS jest dostępny tutaj: https://pypi.org/project/jupyter-openbis-extension/.
  3. Uruchom kontener platformy Docker: docker run -p 8178:8000 malmstroem/jove:latest.
    UWAGA: Port używany domyślnie przez JupyterHub to 8000. Ten port jest konfigurowalny, a powyższe polecenia muszą zostać odpowiednio dostosowane, jeśli zostaną zmienione. Port 8178 jest arbitralnym wyborem i może zostać zmieniony. Przykładowe adresy URL podane poniżej należy odpowiednio dostosować.
  4. Wejdź pod adres: http://127.0.0.1:8178. Zaloguj się, używając nazwy użytkownika "user" i hasła "user."
    UWAGA: Adres http://127.0.0.1 oznacza, że kontener platformy Docker jest uruchomiony na komputerze lokalnym. Jeśli kontener platformy Docker jest uruchamiany na serwerze, użyj adresu IP lub adresu URL serwera (np. https://example.com). Kontener docker jest oparty na Ubuntu Bionic 18.04, JupyterHub 0.9.6 i rozszerzeniu Jupyter openBIS 0.2. Możliwe jest zainstalowanie tego w innych systemach operacyjnych, ale nie zostało to przetestowane.

4. Pobierz raport.

  1. Utwórz nowy notes, klikając pozycję Nowy| Python 3 za pomocą menu znajdującego się w prawej górnej części strony. Spowoduje to otwarcie nowej karty z notatnikiem o nazwie Bez tytułu (lub podobnym).
  2. Kliknij "Konfiguruj połączenia openBIS" w menu narzędzi Jupyter.
  3. Wpisz nazwę: txms; Adres internetowy: https://txms.org; użytkownik: gość; Hasło: guestpasswd.
  4. Kliknij "Połącz".
  5. Wybierz nowe połączenie i kliknij "Wybierz połączenie"."
  6. Wyszukaj szablon raportu (np. /CHEETAH/WF70) i kliknij Download.
    UWAGA: Musisz dostosować szablon raportu na podstawie wyników i raportu uzyskanych z uruchomienia zadania na serwerze internetowym Cheetah-MS.
  7. Uruchom ponownie raport, klikając pozycję Komórka | Uruchom wszystko.

5. Rozszerz raport.

  1. Dodaj nową komórkę na dole: Komórka | Wstaw poniżej.
  2. Wpisz poszukiwany kod. Przykład można znaleźć w sekcji Reprezentatywne wyniki poniżej.
  3. Uruchom komórkę, naciskając "Shift-Enter".

Wyniki

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

TX-MS dostarcza strukturalne wyniki wspierane przez eksperymentalne ograniczenia pochodzące z MS. Działa poprzez połączenie różnych typów akwizycji danych MS z modelowaniem obliczeniowym. Dlatego pomocne jest przeanalizowanie danych MS osobno i zapewnienie wizualizacji struktury wyjściowej. Dane uzupełniające 1 zawierają przykładowy notes, który może analizować dane DDA i DIA utworzone jako dane wyjściowe TX-MS. Użytkownicy mogą wybrać interesujący ich XL. Uruchamiając notebook, widmo MS2 tego XL zostanie pokazane, gdzie różne kolory pomagają rozróżnić fragmenty związane z pierwszym peptydem, drugim peptydem i kombinatorycznymi jonami fragmentów. Rozmiar XL można również zmapować do struktury za pomocą widżetu NGLView osadzonego w Jupyter Notebook.

Kolejna komórka w tym notatniku może pomóc użytkownikom w analizowaniu i wizualizacji danych DIA. Wizualizacja danych DIA jest jednak trudniejsza, ponieważ analizowane dane muszą być przygotowane w odpowiednim formacie.

Rysunek 1 pokazuje przykładową strukturę M1 i albuminy z górnymi XL odwzorowanymi na strukturze. TX-MS uzyskał wszystkie XL po przeanalizowaniu danych hrMS1, DDA i DIA, a protokół RosettaDock dostarczył modele obliczeniowe.

Ponieważ ten raport jest notatnikiem Jupyter, do nowych komórek notatnika można dodać dowolny prawidłowy kod Pythona. Na przykład poniższy kod utworzy histogram dla liczby MS2, wskazując, jak dobrze każde łącze krzyżowe jest obsługiwane przez dane bazowe.
Importuj Seaborn jako SNS
sns.distplot(ms2['liczba']);

figure-results-1
Rysunek 1: Model strukturalny białka Streptococcus pyogenes M1 i albuminy ludzkiej z XL odwzorowanymi na strukturze. Białko M1 jest pokazane w kolorze szarym i stanowi homodimer. Sześć cząsteczek albuminy jest przedstawionych jako pary w różnych odcieniach niebieskiego. Powiązania i odległości są podane w kolorze czerwonym z czarnym tekstem. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Plik uzupełniający. Dane notesu Jupyter. Kliknij tutaj, aby pobrać ten plik.

Dyskusja

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

Nowoczesne przepływy pracy obliczeniowej są często złożone, z wieloma narzędziami od wielu różnych dostawców, złożonymi współzależnościami, dużymi ilościami danych i wieloaspektowymi wynikami. W związku z tym coraz trudniej jest dokładnie udokumentować wszystkie kroki wymagane do uzyskania wyniku, co utrudnia odtworzenie danego wyniku. W tym miejscu przedstawiamy ogólną strategię, która łączy automatyzację i łatwość zautomatyzowanego przepływu pracy, który generuje ogólny raport, z elastycznością w dostosowywaniu raportu w powtarzalny sposób.

Aby protokół działał, muszą być spełnione trzy wymagania: po pierwsze, białka wybrane do analizy muszą oddziaływać w taki sposób, aby doświadczenie chemicznego sieciowania mogło wytworzyć usieciowane gatunki w wystarczająco wysokim stężeniu, aby można je było wykryć za pomocą spektrometru masowego; Różne spektrometry masowe mają różne poziomy detekcji i są również zależne od protokołu akwizycji, a także od wyboru odczynnika sieciującego. Obecna wersja protokołu TX-MS dopuszcza tylko DSS, homobifunkcyjny odczynnik sieciujący lizynę i lizynę. Jednak to ograniczenie wynika przede wszystkim z możliwości, że etap uczenia maszynowego musiałby zostać dostosowany do innych odczynników. To ograniczenie zostało ulepszone w serwerze WWW Cheetah-MS, ponieważ można rozważyć dwa dodatkowe odczynniki sieciujące, ale wszystkie trzy są odczynnikami nierozszczepialnymi. Po drugie, te dwa białka muszą mieć albo eksperymentalnie określoną strukturę, albo być modelowane przy użyciu technik modelowania porównawczego lub technik de novo . Nie wszystkie białka mogą być modelowane, ale połączenie ulepszonego oprogramowania i stałego osadzania struktur eksperymentalnych w PDB zwiększa liczbę białek, które można modelować. Po trzecie, oddziałujące białka powinny pozostać wystarczająco podobne w swoich stanach związanych i niezwiązanych, tak aby algorytmy dokowania używane przez TX-MS i Cheetah-MS mogły tworzyć struktury czwartorzędowe o odpowiedniej jakości, aby umożliwić punktację. Wymóg ten jest stosunkowo niejasny, ponieważ akceptowalna jakość jest wysoce zależna od systemu, gdzie mniejsze białka o znanej strukturze są na ogół łatwiejsze do porównania niż większe białka o nieznanej strukturze.

W przypadku wyniku ujemnego należy najpierw sprawdzić, czy TX-MS znalazł intra-linki, wiązania krzyżowe między pozostałościami, które są częścią tego samego łańcucha polipeptydowego. Jeśli żadne z nich nie zostaną wykryte, najbardziej prawdopodobnym wyjaśnieniem jest to, że coś poszło nie tak z przygotowaniem próbki lub pozyskiwaniem danych. Jeśli wiele wiązań odległości nie obsługuje modeli, należy przeprowadzić wizualną inspekcję modeli, aby upewnić się, że konformacja jest podparta przez usieciowane pozostałości. Nie ma oczywistego sposobu na przegrupowanie jednego z interaktorów bez przerwania co najmniej jednego ogniwa krzyżowego. Jeśli istnieją wiązania krzyżowe większe niż dozwolona odległość dla danego odczynnika sieciującego, spróbuj poprawić modelowanie interaktorów poprzez włączenie danych dotyczących sieciowania.

Możliwe jest użycie alternatywnych aplikacji w celu uzyskania równoważnych wyników, pod warunkiem, że czułość wybranego oprogramowania jest porównywalna z czułością TX-MS. Na przykład istnieją wersje online RosettaDock, HADDOCK i inne. Możliwa jest również analiza danych dotyczących sieciowania chemicznego za pomocą xQuest/xProphet 5,6, plink7 i SIM-XL26.

Stale stosujemy TX-MS i Cheetah-MS w nowych projektach 27,28,29, ulepszając w ten sposób raporty tworzone za pomocą tych podejść, aby umożliwić bardziej szczegółową analizę wyników bez powiększania raportów.

Oświadczenia

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

Autorzy nie mają nic do ujawnienia.

Podziękowania

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

Ta praca była wspierana przez Fundację Knuta i Alice Wallenbergów (grant nr 2016.0023) oraz Szwajcarską Narodową Fundację Nauki (grant nr P2ZHP3_191289). Ponadto dziękujemy firmie S3IT, Uniwersytetowi w Zurychu, za infrastrukturę obliczeniową i wsparcie techniczne.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Dwa pliki Banku Danych Białek zawierające białka będące przedmiotem zainteresowania.N/AN/APrzykładowe pliki dostępne na txms.org i zenodo.org, DOI 10.5281/zenodo.3361621
Plik danych mzML uzyskany na próbce, w której białka będące przedmiotem zainteresowania zostały usieciowane.N/AN/APrzykładowe pliki dostępne na txms.org lub zenodo.org, DOI 10.5281/zenodo.3361621

Bibliografia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Berman, H. M., et al. The Protein Data Bank. Acta Crystallographica Section D: Biological Crystallography. 58 (6), 899-907 (2002).
  2. Herzog, F., et al. Structural Probing of a Protein Phosphatase 2A Network by Chemical Cross-Linking and Mass Spectrometry. Science. 337 (6100), 1348-1352 (2012).
  3. Hoopmann, M. R., et al. Kojak: efficient analysis of chemically cross-linked protein complexes. Journal of Proteome Research. 14 (5), 2190-2198 (2015).
  4. Seebacher, J., et al. Protein cross-linking analysis using mass spectrometry, isotope-coded cross-linkers, and integrated computational data processing. Journal of Proteome Research. 5 (9), 2270-2282 (2006).
  5. Rinner, O., et al. Identification of cross-linked peptides from large sequence databases. Nature Methods. 5 (4), 315-318 (2008).
  6. Walzthoeni, T., et al. False discovery rate estimation for cross-linked peptides identified by mass spectrometry. Nature Methods. 9 (9), 901-903 (2012).
  7. Yang, B., et al. Identification of cross-linked peptides from complex samples. Nature Methods. 9 (9), 904-906 (2012).
  8. Chu, F., Baker, P. R., Burlingame, A. L., Chalkley, R. J. Finding Chimeras: a Bioinformatics Strategy for Identification of Cross-linked Peptides. Molecular & Cellular Proteomics. 9 (1), 25-31 (2010).
  9. Holding, A. N., Lamers, M. H., Stephens, E., Skehel, J. M. Hekate: Software Suite for the Mass Spectrometric Analysis and Three-Dimensional Visualization of Cross-Linked Protein Samples. Journal of Proteome Research. 12 (12), 5923-5933 (2013).
  10. Hauri, S., et al. Rapid determination of quaternary protein structures in complex biological samples. Nature Communications. 10 (1), 192(2019).
  11. Röst, H. L., et al. OpenSWATH enables automated, targeted analysis of data-independent acquisition MS data. Nature Biotechnology. 32 (3), 219-223 (2014).
  12. Röst, H. L., et al. OpenMS: a flexible open-source software platform for mass spectrometry data analysis. Nature Methods. 13 (9), 741-748 (2016).
  13. Quandt, A., et al. Using synthetic peptides to benchmark peptide identification software and search parameters for MS/MS data analysis. EuPA Open Proteomics. 5, 21-31 (2014).
  14. Bradley, P., et al. Free modeling with Rosetta in CASP6. Proteins: Structure, Function, and Bioinformatics. 61 (S7), 128-134 (2005).
  15. Gray, J. J. High-resolution protein-protein docking. Current Opinion in Structural Biology. 16 (2), 183-193 (2006).
  16. Khakzad, H., et al. Cheetah-MS: a web server to model protein complexes using tandem cross-linking mass spectrometry data. Bioinformatics. , (2021).
  17. Malmström, L. Chapter 15: Computational Proteomics with Jupyter and Python. Methods in Molecular Biology. 15, Clifton, N.J. 237-248 (1977).
  18. Martens, L., et al. mzML--a community standard for mass spectrometry data. Molecular & Cellular Proteomics. 10 (1), (2011).
  19. Chambers, M. C., et al. A cross-platform toolkit for mass spectrometry and proteomics. Nature Biotechnology. 30 (10), 918-920 (2012).
  20. Waterhouse, A., et al. SWISS-MODEL: homology modelling of protein structures and complexes. Nucleic Acids Research. 46 (W1), W296-W303 (2018).
  21. Yang, J., et al. Improved protein structure prediction using predicted interresidue orientations. Proceedings of the National Academy of Sciences. 117 (3), 1496-1503 (2020).
  22. Koehler Leman, J., et al. Macromolecular modeling and design in Rosetta: recent methods and frameworks. Nature Methods. 17 (7), 665-680 (2020).
  23. Chivian, D., et al. Prediction of CASP6 structures using automated Robetta protocols. Proteins: Structure, Function, and Bioinformatics. 61 (S7), 157-166 (2005).
  24. Chivian, D., et al. Automated prediction of CASP-5 structures using the Robetta server. Proteins: Structure, Function, and Bioinformatics. 53 (S6), 524-533 (2003).
  25. Bauch, A., et al. openBIS: a flexible framework for managing and analyzing complex data in biology research. BMC Bioinformatics. 12, 468(2011).
  26. Lima, D. B., et al. SIM-XL: A powerful and user-friendly tool for peptide cross-linking analysis. Journal of Proteomics. 129, 51-55 (2015).
  27. Happonen, L., et al. A quantitative Streptococcus pyogenes-human protein-protein interaction map reveals localization of opsonizing antibodies. Nature Communications. 10, 2727(2019).
  28. Khakzad, H., et al. Structural determination of Streptococcus pyogenes M1 protein interactions with human immunoglobulin G using integrative structural biology. PLOS Computational Biology. 17 (1), E1008169(2021).
  29. Khakzad, H., et al. In vivo cross-linking MS of the complement system MAC assembled on live Gram-positive bacteria. Frontiers in Genetics. 11, (2020).

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Ukierunkowana spektrometria mas z sieciowaniemserwer WWW Cheetah MSrozszerzenie Jupyter Notebookmodele strukturalne NGLViewanaliza tandemowa MS MSprotok RosettaDockoddzia ywania bia ko bia ko

Powiązane artykuły