Artykuł metodologiczny

Symulacja oparta na strukturze i pobieranie próbek ruchów białek czynnika transkrypcyjnego wzdłuż DNA od stopniowania w skali atomowej do dyfuzji gruboziarnistej

DOI:

10.3791/63406

⸱

1 marca 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

W tym artykule

Podsumowanie

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

Celem tego protokołu jest ujawnienie strukturalnej dynamiki jednowymiarowej dyfuzji białka wzdłuż DNA, przy użyciu białka domeny roślinnego czynnika transkrypcyjnego WRKY jako przykładowego systemu. W tym celu wdrożono zarówno atomistyczne, jak i gruboziarniste symulacje dynamiki molekularnej, a także obszerne próbkowanie obliczeniowe.

Streszczenie

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

Jednowymiarowe (1-D) przesuwanie białka czynnika transkrypcyjnego (TF) wzdłuż DNA jest niezbędne do ułatwienia dyfuzji TF w celu zlokalizowania docelowego miejsca DNA dla regulacji genetycznej. Wykrycie rozdzielczości par zasad (bp) TF przesuwającego się lub nadepnięcia na DNA jest nadal eksperymentalnie trudne. Niedawno przeprowadziliśmy symulacje dynamiki molekularnej wszystkich atomów (MD), rejestrując spontaniczne krokowanie 1-pz małego białka TF domeny WRKY wzdłuż DNA. Opierając się na ścieżce krokowej 10 μs WRKY uzyskanej z takich symulacji, protokół tutaj pokazuje, jak przeprowadzić bardziej rozległe próbki konformacyjne systemów TF-DNA, konstruując model stanu Markowa (MSM) dla krokowania białka 1-bp, z różną liczbą mikro- i makrostanów testowanych pod kątem budowy MSM. W celu zbadania procesowego dyfuzyjnego wyszukiwania 1D białka TF wzdłuż DNA o podstawie strukturalnej, protokół pokazuje ponadto, jak przeprowadzać symulacje gruboziarniste (CG) MD w celu próbkowania dynamiki systemu w skali długoterminowej. Takie modelowanie i symulacje CG są szczególnie przydatne do ujawnienia elektrostatycznego wpływu białka-DNA na procesywne ruchy dyfuzyjne białka TF powyżej kilkudziesięciu mikrosekund, w porównaniu z submikrosekundowymi do mikrosekundowymi ruchami krokowymi białek ujawnionymi w symulacjach wszystkich atomów.

Wprowadzenie

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

Czynniki transkrypcyjne (TF) poszukują docelowego DNA, aby związać i regulować transkrypcję genów oraz związane z tym działania1. Oprócz trójwymiarowej (3D) dyfuzji, zasugerowano, że ułatwiona dyfuzja TF jest niezbędna do poszukiwania docelowego DNA, w którym białka mogą również ślizgać się lub przeskakiwać wzdłuż jednowymiarowego (1D) DNA lub skakać z transferem międzysegmentowym na DNA2,3,4,5,6,7.

W niedawnym badaniu przeprowadziliśmy symulacje dynamiki molekularnej równowagi wszystkich atomów (MD) w ciągu kilkudziesięciu mikrosekund (μs) na roślinnym TF - białku domeny WRKY na DNA8. Udało się uchwycić pełną krokowość WRKY o 1 pz na DNA poli-A w ciągu mikrosekund. Zaobserwowano ruchy białka wzdłuż rowka DNA i dynamiki łamania-reformowania wiązań wodorowych (HBs). Chociaż taka trajektoria reprezentuje jedną próbkowaną ścieżkę, nadal brakuje ogólnego krajobrazu etapowania białek. W tym miejscu pokazujemy, jak rozszerzyć próbkowanie obliczeniowe wokół początkowo przechwyconej ścieżki krokowej białka za pomocą skonstruowanego modelu stanu Markowa (MSM), który został szeroko zaimplementowany do symulacji różnych systemów biomolekularnych obejmujących istotne zmiany konformacyjne i separację w skali czasowej9,10,11,12,13,14,15,16,17,18,19. Celem jest ujawnienie zespołu konformacyjnego i metastabilnych stanów dyfuzji białka TF wzdłuż DNA w jednym cyklicznym kroku.

Podczas gdy powyższa symulacja MD ujawnia atomową rozdzielczość ruchów białka dla 1 pz na DNA, dynamika strukturalna długotrwałej procesowej dyfuzji TF wzdłuż DNA w tej samej wysokiej rozdzielczości jest prawie niedostępna. Przeprowadzanie gruboziarnistych (CG) symulacji MD na poziomie pozostałości jest jednak technicznie dostępne. Skala czasowa symulacji CG może być skutecznie wydłużona do dziesiątek lub setek razy dłużej niż symulacje atomowe20,21,22,23,24,25,26,27,28,29. Tutaj pokazujemy symulacje CG przeprowadzone za pomocą oprogramowania CafeMol opracowanego przez Takada lab30.

W obecnym protokole, najpierw prezentujemy symulacje atomowe białka domeny WRKY wzdłuż DNA poli-A i konstrukcji MSM, które skupiają się na próbkowaniu ruchów krokowych białka tylko przez 1 pz wzdłuż DNA. Następnie przedstawiamy modelowanie CG i symulacje tego samego układu białko-DNA, które rozszerzają próbkowanie obliczeniowe na procesową dyfuzję białek przez dziesiątki bps wzdłuż DNA.

Tutaj używamy GROMACS31,32,33 do przeprowadzania symulacji MD oraz MSMbuilder34 do konstruowania MSM dla próbkowanych migawek konformacyjnych, a także do wizualizacji biomolekuł VMD35. Protokół wymaga, aby użytkownik był w stanie zainstalować i wdrożyć powyższe oprogramowanie. Instalacja i implementacja oprogramowania CafeMol30 jest następnie niezbędna do przeprowadzenia symulacji CG MD. Dalsze analizy trajektorii i wizualizacje są również prowadzone w VMD.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

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

1. Budowa modelu stanu Markowa (MSM) na podstawie atomowych symulacji MD

  1. Spontaniczny szlak krokowy białka i zbiór początkowych struktur
    1. Użyj wcześniej uzyskanej trajektorii MD 10 μs dla wszystkich atomów8, aby równomiernie wyodrębnić 10000 ramek ze ścieżki krokowej "do przodu" 1 pz (tj. jedna klatka na każdą nanosekundę). Całkowita liczba ramek musi być wystarczająco duża, aby objąć wszystkie reprezentatywne konformacje.
    2. Przygotuj ścieżkę przejścia z 10000 ramek w VMD, klikając Plik > Zapisz współrzędne, wpisz białko lub nukleinowy w polu wybrane atomy i wybierz klatki w polu Ramki, kliknij Zapisz, aby uzyskać potrzebne klatki.
      UWAGA: Wcześniej uzyskana trajektoria symulacji MD 10 μs dla wszystkich atomów (zwana tutaj "trajektorią kroku do przodu") dla WRKY krokowej odległości 1 pz na 34-pz jednorodnej poli-A DNA8 została użyta jako początkowa ścieżka do uruchomienia dalszych próbek konformacyjnych. Należy jednak pamiętać, że w większości praktyk ścieżka początkowa jest konstruowana, poprzez wykonywanie sterowanych lub ukierunkowanych symulacji MD lub implementację ogólnych metod generowania ścieżek itp.36,37,38,39.
    3. Wyrównaj długą oś referencyjnego DNA (ze struktury krystalicznej) z osią x i ustaw początkowy środek masy (COM) pełnego DNA 34-pz na początku przestrzeni współrzędnych dla wygody dalszej analizy danych. Aby to zrobić, kliknij Extensions > Tk Console w VMD i wpisz w oknie poleceń konsoli Tk:
      >źródło rotate.tcl
      Skrypt tcl można znaleźć w pliku uzupełniającym 3.
    4. Następnie oblicz średnią kwadratową odległość (RMSD) szkieletu białkowego, wyrównując centralne DNA 10 pz (A 14 do 23 i T 14' do 23') z struktury krystalicznej40, a RMSD reprezentują geometryczne miary układów (patrz Rysunek 1A). W tym celu kliknij pozycję VMD > Extensions > Analysis > narzędzie trajektorii RMSD i wpisz nukleiny i reszty od 14 do 23 i od 46 do 55 w polu wyboru atomu, kliknij Wyrównaj, a następnie pole RMSD, aby obliczyć wartości RMSD.
    5. Oblicz stopień rotacji białka wokół DNA Θ(t) na płaszczyźnie y-z w MATLAB, wpisując polecenie
      Rad2Deg(ATAN(z/y))<br /> z początkowym położeniem kątowym zdefiniowanym jako Θ(0)=0, jak przeprowadzono wcześniej8.
    6. Wpisz następujące polecenie w MATLAB41, aby użyć metod K-means42,43,44 i sklasyfikuj 10000 struktur w 25 klastrach, wpisując:
      [idx, C]=kmeans( X, 25)
      tutaj X jest macierzą 2D RMSD i kątem obrotu WRKY na DNA. Zbierz struktury tych 25 centrów klastrowych w celu przeprowadzenia dalszych symulacji MD.
      UWAGA: Ponieważ próbka białka RMSD w stosunku do DNA obejmuje zakres około 25 A, wybieramy 25 klastrów, aby mieć jeden klaster na angstrem.
  2. Przeprowadzenie 1 rundy symulacji MD i ustawień symulacji
    1. Zbuduj atomistyczne systemy dla 25 struktur, używając oprogramowania GROMACS 5.1.2 32 pod parmbsc1 force field45 i używając pliku buildsystem.sh z pliku uzupełniającego 2 w powłoce.
    2. Przeprowadź 60-ns symulacje MD dla tych 25 systemów w ramach zespołu NPT z krokiem czasowym 2 fs, wpisując następujące polecenie w powłoce:
      gmx_mpi grompp -f md.mdp -c npt.gro -p topol.top -o md.tpr
      gmx_mpi mdrun -deffnm md
  3. Grupowanie trajektorii MD w 1. rundzie
    1. Usuń pierwsze 10 ns każdej trajektorii symulacji, wpisując shell:
      gmx_mpi trjcat -f md.xtc -b 10000 -e 600000 -o newtraj.xtc
      i zebrać konformacje z trajektorii 25 × 50 ns do grupowania, aby przygotować struktury wejściowe do późniejszych, bardziej obszernych prób (symulacje MD wdrugiej rundzie).
      UWAGA: Aby zmniejszyć wpływ początkowej ścieżki i umożliwić lokalną równowagę, usunięto 10 ns z początkowego okresu symulacji.
    2. Wybierz pary odległości między białkiem a DNA jako parametry wejściowe dla analizy składowych niezależnych od czasu (tICA)46,47,48 projekcji. Użyj polecenia make_ndx w GROMACS, aby to zrobić:
      gmx_mpi make_ndx -f wejście.pdb -o indeks.ndx
      UWAGA: Tutaj wybrano atomy białka CA i ciężkie atomy (NH1, NH2, OH, NZ, NE2, ND2) reszty Y119, K122, K125, R131, Y133, Q146, K144, R135, W116, R117, Y134, K118, Q121, które mogą tworzyć wiązania wodorowe (HBs) z nukleotydem DNA, które łączą się z O1P, O2P i N6 atomami nukleotydu DNA (A14-20, T19-23). Wybrane aminokwasy mogą tworzyć stabilne HB lub mostki solne z DNA.
    3. Skopiuj powyższy indeks atomu z pliku index.ndx do nowego pliku tekstowego (index.dat). Pobierz informacje o parze między tymi atomami za pomocą skryptu Pythona z pliku uzupełniającego 1 generate_atom_indices.py i wpisz:
      python2.6 generate_atom_indices.py index.dat > AtomIndices.txt
      W ten sposób powstaje 415 par odległości między białkiem a DNA.
    4. Oblicz 415 par odległości od każdej trajektorii, wpisując następujące polecenie w oknie poleceń MSMbuilder:
      msmb AtomPairsFeaturizer -out pair_features --pair_indices AtomIndices.txt --top references.pdb --trjs "trajektorie/*.xtc" --przekształcone pair_features --stride 5
    5. Przeprowadź tICA, aby zmniejszyć wymiar danych na pierwsze 2 niezależne od czasu składowe (tIC) lub wektory, wpisując:
      msmb tICA -i .. /tica_rc_a/tmp/ -o tica_results --n_components 2 --lag_time 10 --gamma 0,05 -t tica_results.h5
      UWAGA: tICA to metoda redukcji wymiarów, która oblicza wartość własną opóźnionej w czasie macierzy korelacji figure-protocol-1 w celu wyznaczenia najwolniejszych stopni swobody relaksu systemu symulacyjnego za pomocą równania:
      figure-protocol-2
      gdzie Xi(t) jest wartością i-tej współrzędnej reakcji w czasie t, a Xj(t+Δt) jest wartością j-tej współrzędnej reakcji w czasie t+Δt. figure-protocol-3 jest wartością oczekiwaną iloczynu całkowitych trajektorii symulacji Xi(t) i Xj(t + Δt). Kierunki wzdłuż najwolniejszych stopni swobody relaksacyjnej odpowiadają największym wartościom własnym powyższej macierzy korelacji opóźnionej w czasie figure-protocol-4. W tym przypadku 2 tIC wydają się być minimalnym zbiorem do rozróżnienia trzech makrostanów w naszej konstrukcji MSM (omówionej później). Można również obliczyć wynik ilorazu Rayleigha w uogólnionej macierzy (GMRQ)49, na przykład, aby zbadać optymalny zestaw składników, które należy zastosować.
    6. Użyj polecenia w MSMbuilder, aby pogrupować rzutowane zestawy danych w 100 klastrów metodą K-center43,44 (patrz Rysunek 1B):
      msmb KCenters -i ./tica_results.h5 -o kcenters_output -t kcenters_output --n_clusters 100.
      Wybierz środkową strukturę każdego klastra jako początkową strukturę dla 2. rundy symulacji MD. Zachowaj informacje symulacyjne symulowanych 100 struktur, w tym pozycje, temperatury, ciśnienia itp., z wyjątkiem prędkości.
      UWAGA: Po pierwszej rundzie 25 symulacji pamięć początkowej ścieżki została zmniejszona, więc generujemy więcej klastrów, np. 100 klastrów, w drugiej rundzie, aby znacznie rozszerzyć próbkowanie konformacyjne.
  4. Przeprowadzenie 2 rundy obszernych symulacji MD
    1. Przeprowadź 60-ns symulacje MD, zaczynając od tych 100 początkowych struktur po nałożeniu losowych prędkości początkowych na wszystkie atomy. Dodaj losowe prędkości początkowe, włączając generowanie prędkości w pliku mdp, tj. zmieniając plik md.mdp gen_vel = nie na gen_vel = tak.
    2. Usuń pierwsze 10 ns każdej symulacji zgodnie z opisem w kroku 1.3.1, zbierz 2 500 000 migawek z trajektorii 100 × 50 ns równomiernie, aby skonstruować MSM.
      UWAGA: Zauważ, że w późniejszej konstrukcji makrostanów znaleziono niewielką liczbę stanów poza ścieżką o szczególnie niskiej populacji (~0,2%, na dole płaszczyzny X-Θ). Te stany poza ścieżką są klasyfikowane jako jeden makrostan, gdy całkowita liczba makrostanów jest ustawiona na 3 do 6 (Rysunek 2B). Ponieważ tak nisko populacyjny makrostan obejmuje tylko 3 trajektorie, które ostatecznie zostały usunięte, wyniki pokazane w tym protokole zostały uzyskane z 97 × 50 ns trajektorii, z łączną liczbą 2 425 000 klatek lub migawek.
  5. Grupowanie trajektorii MD w 2. rundzie
    1. Przeprowadź tICA dla trajektorii 2. rundy, tak jak poprzednio. Wpisz 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. Oblicz implikowaną skalę czasową, aby zweryfikować parametry dla czasu opóźnienia korelacji Δt i liczb mikrostanów (patrz Rysunek 1C),
      figure-protocol-5
      gdzie τ oznacza czas zwłoki wykorzystany do zbudowania macierzy prawdopodobieństwa przejścia (TPM); μk(τ) reprezentuje k-tą wartość własną modułu TPM w czasie opóźnienia τ. Użyj skryptu Pythona z pliku uzupełniającego 1 dla tego pythona BuildMSMsAsVaryLagTime.py -d .. / -f .. /trajlist_num -i 50 -m 1000 -t 10 -n 20 -s 500.
    3. Zmieniaj czas opóźnienia τ i liczbę mikrostanów, zmieniając parametry używane powyżej:
      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
      UWAGA: System jest uważany za Markowa, gdy implikowane krzywe skali czasu zaczynają się wyrównywać wraz z separacją skali czasu. Następnie wybierz Dt jako czas opóźnienia korelacji, a τ czas opóźnienia, w którym implikowana skala czasu zaczyna się wyrównywać, aby zbudować MSM.
    4. W związku z tym należy wybrać stosunkowo dużą (ale nie za dużą) liczbę stanów, N = 500, oraz stosunkowo krótki czas opóźnienia korelacji Δt =10 ns. Stwierdzono, że czas opóźnienia wynosi τ = 10 ns do zbudowania MSM.
    5. Sklasyfikuj konformacje w 500 klastrach (patrz Rysunek 1D) za pomocą polecenia:
      msmb KCenters -i ./tica_results.h5 -o kcenters_output -t kcenters_output --n_clusters 500
  6. Budowa MSM
    1. Wrzuć 500 mikrostanów do jednego worka z 3–6 makrostanami, aby dowiedzieć się, ile makrostanów najlepiej pasuje do algorytmu PCCA+ 50 w MSMbuilder, używając skryptu Pythona w pliku uzupełniającym 1 msm_lumping_usingPCCAplus.py python. Zidentyfikuj zredukowaną sieć kinetyczną modeli dla najważniejszych zmian konformacyjnych biomolekuł, konstruując niewielką liczbę makrostanów, tj. po kinetycznym wrzuceniu setek mikrostanów do jednego worka, jak opisano poniżej17,51.
    2. Odwzoruj wysokowymiarowe konformacje na X (ruch białka wzdłuż długiej osi DNA) i kąt obrotu białka wzdłuż DNA dla każdego makrostanu, jak opisano w kroku 1.1.3 i 1.1.4 (np. brak stanu ze zbyt niską populacją < 1%; patrz Rysunek 2C). Następnie znajdź 3 makrostany, które najlepiej reprezentują system (Rysunek 1E) . Zobacz Rysunek 2D dla migawek ruchu białka wzdłuż DNA i kąta obrotu białka wokół DNA.
      UWAGA: W poprzednich pracach generujących spontaniczną ścieżkę kroku naprzód białka 10 μs, dodatkowo przeprowadziliśmy symulacje równowagi MD 5 x 4 μs, aby umiarkowanie rozszerzyć próbki. Pokazaliśmy mapowanie oryginalnej ścieżki do przodu (patrz Rysunek 2A po lewej) i dalsze trajektorie próbkowania 4 μs na przeprowadzonej wcześniej ścieżce do przodu (patrz Rysunek 2A po prawej)8. Pokazane jest odwzorowanie oryginalnych 100 × 50 ns (patrz Rysunek 2B po lewej)8 oraz trajektorie 97 × 50 ns użyte w tej pracy (patrz Rysunek 2B po prawej).
  7. Obliczanie średniego czasu pierwszego przejazdu (MFPT)
    1. Przeprowadź pięć 10-milisekundowych trajektorii Monte Carlo (MC) w oparciu o TPM 500 mikrostanów MSM z czasem opóźnienia 10 ns ustawionym jako krok czasowy MC. Oblicz MFPT52 między każdą parą makrostanów (Rysunek 3) za pomocą skryptu pythona w pliku uzupełniającym 1 python python mfpt_msm3.py.
    2. Oblicz błąd średni i standardowy MFPT za pomocą pliku bash w pliku uzupełniającym 2, wpisz:
      sh mfpt_analysis.bash

2. Przeprowadzanie symulacji gruboziarnistej (CG) w celu próbkowania długotrwałej dynamiki

  1. Przeprowadź symulacje CG za pomocą oprogramowania CafeMol 3.0 30. Zobacz ustawienia symulacji CG określone w wejściowym pliku konfiguracyjnym z rozszerzeniem .inp, w tym struktury wejściowe, parametry symulacji, pliki wyjściowe itp. Wpisz następujące polecenie w terminalu, aby uruchomić symulację CG:
    cafemol XXX.inp
  2. Określ następujące bloki w pliku wejściowym, przy czym każdy blok zaczyna się od etykiety <<<< i kończy się na >>>>.
    1. Ustaw blok nazw plików (wymagany), aby określić katalogi robocze i ścieżkę magazynu plików wejściowych/wyjściowych. Wpisz następujący tekst dla bloku nazw plików dla tych symulacji:
      <<<< nazwy plików
      path = XXXXX (ścieżka robocza)
      filename = wrky (nazwy plików wyjściowych)
      WYJŚCIE psf pdb film dcd rst
      path_pdb = XXXXX (wejściowa ścieżka struktury natywnej)
      path_ini = XXXXX (wejściowa początkowa ścieżka struktury)
      path_natinfo = XXXXX (natywna ścieżka do pliku informacyjnego)
      path_para = XXXXX (ścieżka do pliku parametrów)
      >>>>
      UWAGA: Ponieważ klasa Go-model53 jest wykorzystywana w modelowaniu CG, tj. białko będzie stronnicze w stosunku do konformacji natywnej, więc należy ustawić modelowaną strukturę jako konformację natywną. W tym przypadku wejściowa struktura krystaliczna została ustawiona jako konformacja natywna.
    2. Ustawić blok sterowania zadaniem (wymagany), aby zdefiniować tryb uruchamiania symulacji. Wpisz następujące polecenie:
      <<<< job_cntl
      i_run_mode = 2 (= 2 symulacja stałej temperatury)
      i_simulate_type = 1 (=1 dynamika Langevina)
      i_initial_state = 2 (=2 oznacza, że początkowa konfiguracja to konfiguracja natywna)
      >>>>
      Wybierz symulacje dynamiki Langevina o stałej temperaturze.
    3. Ustaw blok jednostek i stanów (wymagany), aby zdefiniować informacje dla struktur wejściowych. Wpisz następujące polecenie:
      <<<< unit_and_state
      i_seq_read_style = 1 (=1 oznacza odczyt sekwencji z pliku PDB)
      i_go_native_read_style = 1 (=1 oznacza, że struktura natywna pochodzi z pliku PDB)
      1 białko białkowe.pdb (jednostka i stan molecular_type native_structure)
      2-3 DNA DNA.pdb (jednostka i stan molecular_type native_structure)
      >>>>
      UWAGA: Potrzebne są początkowe pliki struktury wejściowej (tutaj protein.pdb i DNA.pdb). Struktury są napisane w formacie pdb. Potrzebne są tutaj dwa pliki pdb: jeden to plik struktury białka zawierający współrzędne ciężkich atomów WRKY (jednostka 1), a drugi to współrzędne dwuniciowego (ds) DNA o długości 200 pz (jednostka 2-3). Białko jest początkowo umieszczane w odległości 15 A od DNA.
    4. Ustaw blok funkcyjny energii (wymagany) zdefiniowany w bloku energy_function. Wpisz następujące polecenie:
      <<<< energy_function
      LOCAL(1) L_GO
      LOKALNA(2-3) L_DNA2
      NLOCAL(1/1) GO 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
      >>>>
      UWAGA: W symulacjach CG białko jest gruboziarniste przez Go-model53, przy czym każdy aminokwas jest reprezentowany przez cząstkę CG umieszczoną w pozycji Cα. Konformacja białka będzie następnie odchylona w kierunku struktury natywnej, lub struktury krystalicznej tutaj, pod potencjałem Go (Rysunek 4A po lewej). DNA jest opisane przez model 3SPN.2 54, w którym każdy nukleotyd jest reprezentowany przez 3 cząstki CG S, P, N, które odpowiadają odpowiednio cukrowi, fosforanowi i zasadzie azotowej (Rysunek 4A po prawej). Oddziaływania elektrostatyczne i vdW są uwzględniane między różnymi łańcuchami. Oddziaływania elektrostatyczne między białkiem a DNA w symulacji CG są przybliżone przez potencjał Debye'a-Hückela55. Energia odpychająca vdW przyjmuje taką samą postać jak w modelu Go.
    5. Ustaw blok md_information (wymagany), aby zdefiniować informacje o symulacji. Wpisz następujące polecenie:
      <<<< 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
      >>>>
      n_tstep jest etapem symulacji. Ustaw tstep_size jako długość czasu każdego kroku MD, każdy krok czasowy CG Cafemol wynosi około 200 fs30, więc każdy krok MD tutaj wynosi 200 × 0,1 fs w zasadzie. Aktualizuj listę sąsiadów co 100 kroków MD (n_step_neighbor = 100). Ustaw temperaturę symulacji na 300 K. Kontroluj temperaturę, wykorzystując algorytm Verleta typu prędkości do aktualizacji struktury białka za pomocą termostatu Berendsena56.
      UWAGA: n_step_sim to numer basenu potencjału opartego na modelu Go lub lokalna minimalna liczba krzywej energii. Potencjał wielu basenów pozwala na konformację białka ukierunkowaną na różne konformacje, tak że konformacja białka może zmieniać się z jednego lokalnego minimum na drugie. W tym przypadku używany jest tylko model Go z jednym basenem, co oznacza tylko jedną konformację (strukturę krystaliczną) dla białka w symulacjach. Tymczasem, ponieważ nie ma interakcji białko-DNA wiązań wodorowych itp. modelowanych w kontekście CG, ruchy molekularne mogą być próbkowane jeszcze szybciej, tj. > 10 razy niż w symulacjach atomowych.
    6. Ustaw blok elektrostatyczny (wymagany tylko wtedy, gdy używana jest interakcja elektrostatyczna), ponieważ oddziaływanie elektrostatyczne jest uwzględniane między różnymi łańcuchami, więc użyj tego bloku do zdefiniowania parametrów oddziaływania elektrostatycznego, wpisując:
      <<<< elektrostatyczny
      cutoff_ele = 10.0
      ionic_strength = 0.15
      >>>>
      Ustawić długość Debye'a w oddziaływaniu elektrostatycznym na 10 A, odpowiadającą warunkowi roztworu. Ustaw siłę jonową na 0,15 M, tak jak w stanie fizjologicznym.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

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

Przesuwanie sprzężone z rotacją lub krok 1 pz WRKY z konstrukcji MSM
Wszystkie konformacje białek w DNA są odwzorowywane na ruch podłużny X i kąt obrotu białka COM wzdłuż DNA (patrz Rysunek 3A). Liniowe sprzężenie tych dwóch stopni wskazuje na sprzężone z rotacją stopniowanie białka domeny WRKY na DNA. Konformacje można dalej grupować w 3 makrostany (S1, S2 i S3) w MSM. Krok naprzód WRKY następuje następnie po przejściu makrostanu S1->S2->S3. S1 odnosi się do stanu metastabi...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

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

Praca ta dotyczy sposobu przeprowadzania symulacji obliczeniowych opartych na strukturze i pobierania próbek w celu ujawnienia czynnika transkrypcyjnego lub białka TF poruszającego się wzdłuż DNA, nie tylko w atomowych szczegółach krokowania, ale także w dyfuzji procesowej, która jest niezbędna do ułatwionej dyfuzji TF w poszukiwaniu celu DNA. Aby tego dokonać, najpierw skonstruowano model stanu Markowa lub MSM małego białka WRKY w domenie TF krokowego dla 1-bp wzdłuż jednorodnego DNA poli-A, dzięki czemu można ujawnić z...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

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

Autorzy nie pozostają w konflikcie interesów.

Podziękowania

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

Ta praca została wsparta przez Grant NSFC #11775016 i #11635002. JY jest wspierany przez CMCF UCI za pośrednictwem NSF DMS 1763272 oraz grantu #594598 Fundacji Simonsa i funduszu startowego z UCI. LTD jest wspierana przez Fundację Nauk Przyrodniczych w Szanghaju #20ZR1425400 i #21JC1403100. Dziękujemy również za wsparcie obliczeniowe ze strony Pekińskiego Centrum Badań Obliczeniowych (CSRC).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
CafeMolw KiotoSymulacje gruboziarniste (CG)
GROMACSUniwersytet w Groningen Królewski Instytut Technologii UniwersytetOprogramowanie do symulacji dynamiki molekularnej
MatlabMathWorksOprogramowanie do obliczeń numerycznych
MSMbuilderUniwersytetzbuduj MSM
VMDProgramwizualizacji molekularnej
Uniwersytet w Uppsali Stanforda Uniwersytetu Illinois w Urbana-Champaign

Bibliografia

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

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

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

Poproś o pozwolenie

Tagi

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

Powiązane artykuły