Method Article

Realistyczne modelowanie błon z wykorzystaniem złożonych mieszanin lipidowych w badaniach symulacyjnych

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

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

Różnorodność lipidów błony pod względem struktury i składu jest ważnym czynnikiem przyczyniającym się do procesów komórkowych i może być markerem choroby. Symulacje dynamiki molekularnej pozwalają nam badać błony i ich interakcje z biomolekułami w rozdzielczości atomowej. W tym miejscu udostępniamy protokół do budowania, uruchamiania i analizowania złożonych systemów membranowych.

Abstract

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

Lipidy są strukturalnymi elementami budulcowymi błon komórkowych; gatunki lipidów różnią się między organellami komórkowymi i organizmami. Ta różnorodność skutkuje różnymi właściwościami mechanicznymi i strukturalnymi membrany, które bezpośrednio wpływają na cząsteczki i procesy zachodzące na tym interfejsie. Skład lipidów jest dynamiczny i może służyć do modulowania procesów sygnalizacji komórkowej. Podejścia obliczeniowe są coraz częściej wykorzystywane do przewidywania interakcji między biomolekułami i dostarczania wglądu molekularnego do obserwacji eksperymentalnych. Dynamika molekularna (MD) to technika oparta na mechanice statystycznej, która przewiduje ruch atomów na podstawie działających na nie sił. Symulacje MD można wykorzystać do scharakteryzowania interakcji biomolekuł. W tym miejscu pokrótce przedstawiamy technikę, przedstawiamy praktyczne kroki dla początkujących, którzy są zainteresowani symulacją dwuwarstw lipidowych, demonstrujemy protokół za pomocą oprogramowania przyjaznego dla początkujących oraz omawiamy alternatywy, wyzwania i ważne kwestie związane z procesem. W szczególności podkreślamy znaczenie stosowania złożonych mieszanin lipidowych do modelowania błony komórkowej będącej przedmiotem zainteresowania w celu uchwycenia odpowiednich środowisk hydrofobowych i mechanicznych w symulacji. Omówiono również kilka przykładów, w których skład i właściwości błony modulują interakcje dwuwarstw z innymi biomolekułami.

Introduction

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

Lipidy są głównymi składnikami błon, które wyznaczają granice komórkom i umożliwiają wewnątrzkomórkową kompartmentację1,2,3. Lipidy są amfifilowe, z polarną grupą głowy i dwoma ogonami hydrofobowych kwasów tłuszczowych; Układają się one samoczynnie w dwuwarstwę, aby zminimalizować kontakt łańcuchów hydrofobowych z wodą 3,< klasa SUP = "XREF">4. Różne kombinacje hydrofilowych grup głowy i hydrofobowych ogonów skutkują różnymi klasami lipidów w błonach biologicznych, takimi jak glicerofosfolipidy, sfingolipidy i sterole (Rysunek 1)1,5,6. Glicerofosfolipidy są podstawowymi elementami budulcowymi eukariotycznych błon komórkowych składających się z glicerofosforanu, długołańcuchowych kwasów tłuszczowych i grup głów o niskiej masie cząsteczkowej7. Nomenklatura lipidów opiera się na różnicach w grupach głównych; przykłady obejmują fosfatydylocholinę (PC), fosfatydyloetanoloaminę (PE), fosfatydyloserynę (PS), fosfatydylo-glicerol (PG), fosfatydylo-inozytol (PI) lub niemodyfikowany kwas fosfatydowy (PA)5,6. Jeśli chodzi o ogony hydrofobowe, długość i stopień nasycenia różnią się wraz ze strukturą kręgosłupa. Możliwe kombinacje są liczne, co prowadzi do powstania tysięcy gatunków lipidów w komórkach ssaków6. Zmiany w składzie lipidowym błony prowadzą do różnych właściwości mechanicznych i strukturalnych błony, które wpływają na aktywność zarówno integralnych białek błonowych, jak i białek obwodowych2,6.

figure-introduction-1
Rysunek 1. Reprezentatywne struktury lipidowe. Ogony kwasów tłuszczowych są pokazane w niebieskich ramkach, wspólne grupy lipidów w kolorze pomarańczowym, a szkielety próbek w kolorze fioletowym. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Lipidy są aktywnymi graczami w procesach komórkowych, aktywacji białek w kaskadach sygnałowych i homeostazie zdrowych komórek8,9. Zmieniona dynamika lipidów jest wynikiem infekcji lub może być markerem patogenezy choroby10,11,12,13,14,15. Jako bariery dla komórki, badanie lipidów błonowych i ich roli w przenikaniu małych cząsteczek ma znaczenie dla systemów dostarczania leków i mechanizmów rozrywania błony16,17. Różnorodność chemiczna i różne proporcje gatunków lipidów w organellach, tkankach i organizmach powodują złożoną dynamikę błony2. Dlatego ważne jest, aby zachować te cechy w badaniach modelowych dwuwarstw lipidowych, zwłaszcza gdy celem badania jest zbadanie interakcji innych biomolekuł z błoną. Gatunki lipidów, które należy wziąć pod uwagę w modelu, zależą od organizmu i kompartmentu komórkowego będącego przedmiotem zainteresowania. Na przykład lipidy PG są ważne dla transferu elektronów w fotosyntezie bateria18, podczas gdy fosforylowane lipidy inozytolu () odgrywają główną rolę w dynamice błony plazmatycznej (PM) i kaskadach sygnałowych w komórkach ssaków19,20. Wewnątrz komórki PM, retikulum endoplazmatyczne (ER), błony Golgiego i mitochondrialne zawierają unikalne obfitości lipidów, które wpływają na ich funkcję. Na przykład ER jest centrum biogenezy lipidów i transportuje cholesterol do PM i Golgiego; zawiera wysoką różnorodność lipidów z dużą ilością PC i PE, ale niską zawartość steroli, co sprzyja płynności błony21,22,23,24. W przeciwieństwie do tego, PM zawiera setki, a nawet tysiące gatunków lipidów w zależności od organizmu25, zawiera wysoki poziom sfingolipidów i cholesterolu, które nadają mu charakterystyczną sztywność w porównaniu z innymi błonami w cell24. Asymetria ulotki powinna być brana pod uwagę w przypadku błon takich jak PM, która ma zewnętrzną ulotkę bogatą w sfingomielinę, PC i cholesterol oraz wewnętrzną ulotkę bogatą w PE, PI i PS, które są ważne dla kaskad sygnałowych24. Wreszcie, różnorodność lipidów skłania również do tworzenia mikrodomen, które różnią się upakowaniem i kolejnością wewnętrzną, znanych jako tratwy lipidowe24,26; Wykazują one asymetrię poprzeczną, przypuszcza się, że odgrywają ważną rolę w sygnalizacji komórkowej26 i są trudne do zbadania ze względu na ich przejściową naturę.

Techniki eksperymentalne, takie jak fluoroskopia, spektroskopia i modelowanie systemów błonowych, takich jak gigantyczne pęcherzyki jednowarstwowe (GUV), zostały wykorzystane do zbadania interakcji biomolekuł z błonami. Jednak złożony i dynamiczny charakter zaangażowanych komponentów jest trudny do uchwycenia za pomocą samych metod eksperymentalnych. Na przykład istnieją ograniczenia w obrazowaniu domen transbłonowych białek, złożoności błon stosowanych w takich badaniach oraz identyfikacji stanów pośrednich lub przejściowych podczas procesu będącego przedmiotem zainteresowania27,28,29. Od czasu pojawienia się symulacji molekularnej monowarstw i dwuwarstw lipidowych w latach 80. XX wieku29, układy lipidowo-białkowe i ich interakcje mogą być obecnie określane ilościowo na poziomie molekularnym. Symulacja dynamiki molekularnej (MD) jest powszechną techniką obliczeniową, która przewiduje ruch cząstek na podstawie ich sił międzycząsteczkowych. Potencjał oddziaływania addytywnego opisuje związane i niezwiązane oddziaływania między cząstkami układu30. Zestaw parametrów używanych do modelowania tych oddziaływań nazywany jest symulacyjnym polem siłowym (FF). Parametry te są uzyskiwane z obliczeń ab initio, obliczeń półempirycznych i mechaniki kwantowej oraz optymalizowane do odtworzonych danych z eksperymentów dyfrakcji rentgenowskiej i elektronowej, NMR, podczerwieni, spektroskopii Ramana i neutronów, między innymi31.

Symulacje MD mogą być używane do badania systemów na różnych poziomach rozdzielczości32,33,34. Systemy, które mają na celu scharakteryzowanie określonych oddziaływań biomolekularnych, wiązań wodorowych i innych szczegółów o wysokiej rozdzielczości, są badane za pomocą symulacji wszystkich atomów (AA). Z kolei symulacje gruboziarniste (CG) grupują atomy w większe grupy funkcyjne, aby zmniejszyć koszty obliczeniowe i zbadać dynamikę w większej skali33. Pomiędzy tymi dwoma znajdują się symulacje atomów zjednoczonych (UA), w których atomy wodoru są łączone z odpowiadającymi im ciężkimi atomami w celu przyspieszenia obliczeń33,35. Symulacje MD są potężnym narzędziem do badania dynamiki błon lipidowych i ich interakcji z innymi cząsteczkami i mogą służyć do zapewnienia mechanizmów na poziomie molekularnym dla procesów będących przedmiotem zainteresowania na granicy faz błony. Dodatkowo symulacje MD mogą służyć do zawężenia celów eksperymentalnych i przewidywania właściwości makromolekularnych danego układu na podstawie oddziaływań mikroskopowych.

W skrócie, biorąc pod uwagę zestaw początkowych współrzędnych, prędkości i zestaw warunków, takich jak stała temperatura i ciśnienie, pozycje i prędkości każdej cząstki są obliczane poprzez numeryczne całkowanie potencjału oddziaływania i prawa dynamiki Newtona. Jest to powtarzane iteracyjnie, generując w ten sposób trajektorię symulacji30. Obliczenia te są wykonywane za pomocą silnika MD; spośród kilku pakietów open-source, GROMACS36 jest jednym z najczęściej używanych silników i tym, który tutaj opisujemy. Zawiera również narzędzia do analizy i konstruowania początkowych współrzędnych układów, które mają być symulowane37. Inne silniki MD to NAMD38; CHARMM39, oraz AMBER40, które użytkownik może wybrać według własnego uznania na podstawie wydajności obliczeniowej danego systemu. Kluczowe znaczenie ma wizualizacja trajektorii podczas symulacji, a także analiza i interpretacja wyników. Dostępnych jest wiele narzędzi; tutaj omawiamy wizualną dynamikę molekularną (VMD), która oferuje szeroki zakres funkcji, w tym trójwymiarową (3-D) wizualizację z ekspansywnymi metodami rysowania i kolorowania, wolumetryczną wizualizację danych, budowanie, przygotowywanie i analizowanie trajektorii systemów symulacji MD oraz tworzenie filmów trajektorii bez ograniczeń co do rozmiaru systemu, jeśli pamięć jest dostępna41,42,43.

Dokładność przewidywanej dynamiki między komponentami systemu jest bezpośrednio zależna od FF wybranego do propagacji trajektorii. Empiryczne próby parametryzacji FF prowadzone są przez kilka grup badawczych. Najbardziej znane i powszechne FF dla MD to CHARMM39, AMBER40, Martini44, OPLS45 i SIRAH46. Pole siłowe CHARMM36 addytywnego (C36) w całości z atomów47 jest szeroko stosowane w AA MD systemów membranowych, ponieważ dokładnie odtwarza eksperymentalne dane strukturalne. Został pierwotnie opracowany przez społeczność CHARMM i jest kompatybilny z wieloma silnikami MD, takimi jak GROMACS i NAMD. Pomimo ulepszeń we wszystkich popularnych FF, trwają ciągłe wysiłki w celu ulepszenia zestawów parametrów, aby umożliwić przewidywania, które ściśle odtwarzają obserwable eksperymentalne, napędzane zainteresowaniami określonymi systemami badań48,49.

Wyzwaniem podczas symulacji błon lipidowych jest określenie długości trajektorii symulacji. Jest to w dużej mierze zależne od metryk, które mają być analizowane, oraz procesu, który ma się scharakteryzować. Zazwyczaj złożone mieszaniny lipidowe wymagają dłuższego czasu, aby osiągnąć równowagę, ponieważ więcej gatunków musi mieć wystarczająco dużo czasu, aby dyfundować na płaszczyźnie błony i osiągnąć stabilną organizację boczną. Mówi się, że symulacja jest w równowadze, gdy nieruchomość będąca przedmiotem zainteresowania osiągnęła plateau i waha się wokół stałej wartości. Powszechną praktyką jest uzyskanie co najmniej 100-200 ns trajektorii równowagi w celu przeprowadzenia odpowiedniej analizy statystycznej dotyczących właściwości i interakcji będących przedmiotem zainteresowania. Często przeprowadza się symulacje tylko membranowe w zakresie od 200 do 500 ns, w zależności od złożoności mieszaniny lipidowej i pytania badawczego. Interakcje białko-lipid zazwyczaj wymagają dłuższych czasów symulacji, między 500-2000 ns. Niektóre podejścia do przyspieszenia próbkowania i obserwowalnej dynamiki za pomocą systemów membranowych to: (i) model wysoce mobilny mimetyczny błony (HMMM), który zastępuje końcowe atomy węgla lipidów w membranie rozpuszczalnikiem organicznym w celu przyspieszenia pobierania próbek50; oraz (ii) repartycjonowanie masy wodoru (HMR), które łączy ułamek mas ciężkich atomów w systemie z masami atomów wodoru, aby umożliwić użycie większego kroku symulacyjnego51.

Poniższy protokół omawia przyjazne dla początkujących podejście do budowania, uruchamiania i analizowania realistycznych modeli membranowych przy użyciu AA MD. Biorąc pod uwagę charakter symulacji MD, należy przeprowadzić wiele trajektorii, aby uwzględnić odtwarzalność i właściwą analizę statystyczną wyników. Obecnie praktyką jest uruchamianie co najmniej trzech replik na system będący przedmiotem zainteresowania. Po wybraniu gatunków lipidów dla organizmu i procesu będącego przedmiotem zainteresowania, podstawowe kroki do zbudowania, uruchomienia i przeanalizowania trajektorii symulacji systemu opartego wyłącznie na błonie są nakreślone i podsumowane w Rysunek 2.

figure-introduction-2
Rysunek 2. Schemat do uruchamiania symulacji MD. Pomarańczowe pola odpowiadają trzem głównym krokom opisanym w protokole. Pod spodem znajduje się przepływ pracy procesu symulacji. Podczas konfiguracji systemu, system zawierający początkowe współrzędne solwatowanego systemu membranowego jest budowany za pomocą generatora danych wejściowych systemu, takiego jak CHARMM-GUI Membrane Builder. Po przeniesieniu plików wejściowych do klastra obliczeniowego o wysokiej wydajności, trajektoria symulacji jest propagowana przy użyciu silnika MD, takiego jak GROMACS. Analiza trajektorii może być wykonana na klastrze komputerowym lub lokalnej stacji roboczej wraz z wizualizacją. Analiza jest następnie przeprowadzana przy użyciu pakietów z wbudowanym kodem analitycznym, takim jak GROMACS i VMD, lub przy użyciu skryptów Bash lub różnych bibliotek Pythona. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

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

Protocol

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

1. Budowanie współrzędnych systemu

  1. Przejdź do CHARMM-GUI.org (C-GUI) za pomocą przeglądarki internetowej. W górnym menu przejdź do Input Generator, a następnie wybierz Membrane Builder z pionowych opcji po lewej stronie ekranu.
  2. Aby zbudować dwuwarstwę, wybierz Bilayer Builder.
    UWAGA: Nowi użytkownicy muszą aktywować swoje bezpłatne konto przed zbudowaniem pierwszego zestawu współrzędnych.
  3. Wybierz opcję Membrane Only System (System tylko membranowy). Zapisz wygenerowany identyfikator zadania, aby pobrać system i w razie potrzeby kontynuować od miejsca, w którym został przerwany proces.
    1. Wizualizuj systemy na każdym etapie procesu budowy, klikając Wyświetl strukturę w polu znajdującym się u góry strony lub pobierając wynikowy plik PDB. Zwróć uwagę na brakujące składniki, błędy w wybranych gatunkach lipidów wejściowych lub rozmiarze plastra.
  4. Wybierz komponenty systemu.
    1. Wybierz opcję Heterogeniczny lipid, nawet jeśli budujesz jednoskładnikową dwuwarstwę, a następnie wybierz typ prostokątnej kostki.
    2. Wybierz 45 cząsteczek wody na lipid dla opcji nawodnienia; jest to wystarczające, aby zapewnić w pełni nawodnioną dwuwarstwę.
    3. Ustaw długość XY na podstawie liczby składników lipidowych. Następnie należy wybrać liczbę lipidów, które mają zostać uwzględnione dla każdego gatunku lipidów wyznaczonego przed modelem. Na potrzeby studium przypadku omówionego w następnej sekcji zbudowano model błonowy z 600 lipidami rozmieszczonymi symetrycznie w dwóch ulotkach. Do modelowania ER komórek eukariotycznych do modelu PI użyto mieszaniny 336 DOPC, 132 DPPE, 60 CHOL, 72 lipidów POPI; oraz lipidy 330 DOPC, 126 DPPE, 54 CHOL, 66 POPI i 24 DOPS dla modelu PI-PS.
      UWAGA: C-gui zapewnia bibliotekę struktur lipidowych do wyboru; Kliknij na obrazki obok nazwy gatunku, aby poznać jego strukturę chemiczną.
    4. Wpisz żądaną liczbę cząsteczek w górnej i dolnej ulotce w dwóch polach obok nazwy lipidu. W przypadku studium przypadku pożądany jest symetryczny skład membrany - upewnij się, że nie ma błędów dotyczących niedopasowanej liczby lipidów w górnej i dolnej ulotce. Jeśli pożądana jest asymetria, upewnij się, że całkowita liczba lipidów w każdej ulotce jest prawidłowa. Szczegółowe informacje na temat budowania asymetrycznych dwuwarstw można znaleźć w pracy Park et al.52,53.
    5. Przejdź na górę listy gatunków lipidów i kliknij przycisk Pokaż informacje o systemie. Zmontuj komponenty i skompletuj system.
    6. Wybierz opcję, aby uwzględnić jony neutralizujące przy użyciu algorytmu opartego na odległości w celu szybszej konwergencji54.
    7. Pozostawić domyślne stężenie roztworu KCl na poziomie 0,15 mM. Jest to typowe stężenie soli, które sprawia, że pole symulacji dla dwuwarstw membranowych jest neutralne.
      UWAGA: Jeśli ma być użyte inne stężenie, pamiętaj, aby kliknąć przycisk Oblicz skład rozpuszczalnika po jego edycji.
  5. Wybierz warunki i ustawienia symulacji.
    1. Wybierz CHARMM36m jako opcję FF; jest ona powszechnie używana do symulacji lipidów i białek, ale użytkownik może wybrać inne opcje omówione we wprowadzeniu.
    2. Wybierz GROMACS jako silnik MD, aby uzyskać przykładowe pliki wejściowe w odpowiednim formacie.
      UWAGA: GROMACS jest zalecany dla nowych użytkowników, ponieważ zawiera wiele zasobów online, samouczków i forów wsparcia. Użytkownik może wybierać spośród wielu silników MD, aby zbadać opcje w zakresie wydajności symulacji i składni kodu.
    3. Wybierz zespół stałych cząstek-ciśnienie-temperatura (NPT), zdecydowanie najczęściej używany zespół dynamiczny w symulacji dwuwarstw lipidowych.
    4. Ustaw temperaturę i ciśnienie w kelwinach i barach odpowiednio na 303 K i 1 bar. Typowe jest ustawienie temperatury w zakresie od 298 K do 310 K w celu zbadania procesów biologicznych w celu zapewnienia dwuwarstwy w stanie nieuporządkowania cieczy.
      UWAGA: Temperatura zależy od warunków symulowanego procesu i może być zmieniana w razie potrzeby. W zależności od rodzaju lipidów w modelu, przed uruchomieniem symulacji należy ustawić temperaturę tak, aby była wyższa od temperatury przejścia czystych składników lipidowych.
  6. Pobierz wynikowe pliki i przenieś je do klastra komputerowego.
    1. Zwizualizuj ostateczny system na wybranym oprogramowaniu, takim jak VMD lub PyMol, i sprawdź, czy konfiguracja jest prawidłowa.
      UWAGA: Dobrze jest na przykład sprawdzić, czy wokół membrany jest wystarczająca ilość wody, aby lipidy nie oddziaływały z atomami obrazu podczas symulacji, oraz prawidłowe ustawienie ulotki (dwuwarstwa bez przestrzeni i wody pomiędzy nimi).

2. Przeprowadzanie symulacji MD

  1. Prześlij i rozpakuj pliki z C-GUI w swoim klastrze obliczeniowym. Przejdź do katalogu Gromacs. Utwórz skrypt zgłoszenia relaksu.
  2. Postępuj zgodnie z wytycznymi klastra dotyczącymi formatu skryptu przesyłania.
    1. Skopiuj wymienione polecenia do momentu tuż nad komentarzem # Production w pliku README do skryptu przesyłania.
      UWAGA: To domyślne ustawienie z C-GUI to pętla, która uruchamia 6-stopniową relaksację systemu. Jeśli wymagany jest inny i dobrze ugruntowany protokół, edytuj go, aby odczytać współrzędne właśnie zbudowane i pobrane z C-GUI.
  3. Prześlij skrypt relaksacyjny i upewnij się, że wszystkie pliki wyjściowe zostały pobrane dla wszystkich kroków przed przejściem do przebiegu produkcyjnego. Po zakończeniu sprawdź, czy istnieją następujące pliki wyjściowe z GROMACS, wygenerowane podczas 6-etapowego przebiegu: *.log, *.tpr, *.gro, *.edr, *.trr / *.xtc
  4. Utwórz skrypt uruchomienia produkcyjnego.
    1. Użyj jednego z przykładowych poleceń gmx gramppp i gmx mdrun z dowolnego kroku relaksacji jako szablonu.
    2. Przed użyciem skryptu należy utworzyć plik *.mdp, który zawiera podobne opcje symulacji, jak dostarczony plik step7_production.mdp.
      UWAGA: Dostępne opcje domyślne są standardowe dla symulacji membranowych; Odległości są podane w nm, a czas jest podawany w pikosekundach lub liczbie kroków (pikosekundy / krok czasowy całkowania). Zaktualizuj nsteps, aby uruchomić do żądanej długości symulacji (jest ona równa dt * nsteps) i nst[x,v,f]out, aby zaktualizować częstotliwość zapisywania danych w liczbie kroków integracji. W przypadku analizy przypadku ustaw nsteps na 250 000 000 dla długości symulacji 500ns (czas symulacji / krok integracji = 500 000 ps / 0,002ps) i nst[x,v,f]out na 50 000, aby zapisywać dane co 100 ps
  5. Przed uruchomieniem właściwej symulacji należy przeprowadzić badania porównawcze, aby określić najlepsze wykorzystanie zasobów.
    1. Uruchom system przez 1-2 ns, używając różnej liczby węzłów obliczeniowych.
      UWAGA: Studium przypadku ER zostało przesłane na klastrze obliczeń o wysokiej wydajności UB Center for computational research (CCR) 55 dla 2 ns, gdzie wydajność została przetestowana dla 1-10 węzłów.
    2. Porównaj wydajność w ns/dzień dla każdego ustawienia, aby określić optymalne zasoby dla przebiegu. Powszechną praktyką jest wybieranie liczby węzłów, które powodują 75%-80% maksymalnej wydajności.
  6. Uruchom przebieg produkcyjny.
    1. Uruchom każdy system w trzech egzemplarzach, aby zapewnić odtwarzalność i przeprowadzić analizę statystyczną danych.
    2. Rozszerz trajektorię na podstawie testów porównawczych, jeśli skończy się dozwolony czas oczekiwania w kolejce do przesłania w klastrze obliczeniowym. Użyj poleceń gmx convert-tpr, a następnie gmx mdrun, aby kontynuować zbieranie trajektorii.
      UWAGA: Opcje są opisane w dokumentacji GROMACS online (https://manual.gromacs.org/).
    3. W przypadku systemu opartego wyłącznie na błonie należy sprawdzić, czy system osiągnął równowagę, obliczając powierzchnię na lipid w czasie. Jeśli tak się nie stało, wydłuż trajektorię symulacji.

3. Analiza trajektorii

  1. Wizualizacja systemu przed uruchomieniem analizy w celu określenia cząsteczek będących przedmiotem zainteresowania i części trajektorii, która jest przeznaczona do charakteryzacji.
  2. Kompresuj nieprzetworzone pliki trajektorii (*.trr), zmieniając format pliku na *.xtc i/lub pomijając ramki, aby zmniejszyć rozmiar pliku i ułatwić bardziej efektywny transfer do stacji lokalnej w celu wizualizacji i analizy.
    UWAGA: W przypadku dużych systemów membranowych można zdecydować się na usunięcie wody z trajektorii, aby jeszcze bardziej zmniejszyć rozmiar pliku. Można to zrobić za pomocą plików indeksowych na GROMACS, skryptów TCL na VMD lub bibliotek Pythona, takich jak MDAnalysis i MDTraj.
  3. Wykonaj wybrane analizy podczas zrównoważonej części trajektorii, wyznaczonej na podstawie szeregów czasowych powierzchni na lipid.
    UWAGA: Zapoznaj się z dyskusją, aby uzyskać więcej informacji na temat typowych analiz membranowych i sposobu ich uruchamiania.

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

Results

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

Aby zilustrować zastosowanie protokołu i wyniki, które można uzyskać, omówiono badanie porównawcze modeli błonowych dla retikulum endoplazmatycznego (ER). Dwa modele w tym badaniu to (i) model PI, który zawiera cztery pierwsze formy lipidów występujące w ER, oraz (ii) model PI-PS, który dodał anionowe gatunki lipidów fosfatydyloseryny (PS). Modele te zostały później wykorzystane w badaniu białka wirusowego i jego interakcji z błoną, zainteresowanie PS zostało uznane za ważne dla aktywności przepuszczalności białka wiruso...

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

Discussion

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

Techniki eksperymentalne mogą wizualizować biomolekuły w wysokiej rozdzielczości za pomocą mikroskopii krioelektronowej (cryo-EM)58, technik fluorescencyjnych i mikroskopii sił atomowych (AFM)59. Jednak uchwycenie wzajemnych oddziaływań i dynamiki interakcji molekularnych, które leżą u podstaw szlaków biologicznych, patogenezy chorób i dostarczania terapeutycznego na poziomie atomowym lub aminokwasowym, jest wyzwaniem. W tym miejscu omówiono możliwości symulacji MD w zakres...

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

Disclosures

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

Autorzy nie mają żadnych sprzecznych interesów, które mogliby ujawnić.

Acknowledgements

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

Autorzy dziękują Jinhui Li i Ricardo X. Ramirezowi za ich trajektorie symulacji i dyskusje podczas pisania tego rękopisu. O.C. był wspierany przez University at Buffalo Presidential Fellowship i National Institute of Health's Initiative for Maximizing Student Development Training Grant 1T32GM144920-01 przyznany Margaricie 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 i biblioteki pokrewne)Nie dotyczy
CHARMM-GUI.orgIm lab, Lehigh UniversityN/A
GROMACS GROMACSteamN/A
Linux HPCCluster UB CCRN/A
MATLABMATHWORKSN/A
VMDTeoretyczne i Grupa Biofizyki ObliczeniowejN/A
development

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