Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł metodologiczny

Realistyczne modelowanie błon z wykorzystaniem złożonych mieszanin lipidowych w badaniach symulacyjnych

3.7K wyświetleń

⸱

DOI:

10.3791/65712

⸱

1 września 2023

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

W tym artykule

Podsumowanie

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.

Streszczenie

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.

Wprowadzenie

Lipidy są głównymi składnikami błon, które wyznaczają granice komórek i umożliwiają ich wewnątrzkomórkową kompartymentację1,2,3. Lipidy są amfifilowe, posiadają polarną grupę głowową oraz dwa hydrofobowe ogony kwasów tłuszczowych; ulegają one samoorganizacji w dwuwarstwę, aby zminimalizować kontakt hydrofobowych łańcuchów z wodą3,4. Różne kombinacje hydrofilowych grup głowowych i hydrofobowych ogonów prowadzą do powstania różnych klas lipidów w błonach biologicznych, takich jak glicerofosfolipidy, sfingolipidy i sterole (Rysunek 1)1,5,6. Glicerofosfolipidy są podstawowymi budulcami błon komórkowych eukariotów, składającymi się z glicerofosforanu, długołańcuchowych kwasów tłuszczowych i grup głowowych o niskiej masie cząsteczkowej7. Nomenklatura lipidów opiera się na różnicach w grupach głowowych; przykładami są fosfatydylocholina (PC), fosfatydyloetanoloamina (PE), fosfatydyloseryna (PS), fosfatydyloglicerol (PG), fosfatydyloinozytol (PI) lub niemodyfikowany kwas fosfatydowy (PA)5,6. W przypadku ogonów hydrofobowych różnią się one długością i stopniem nasycenia, a także strukturą szkieletową. Możliwe kombinacje są liczne, co skutkuje występowaniem tysięcy gatunków lipidów w komórkach ssaków6. Zmiany w składzie lipidowym błony prowadzą do różnych właściwości mechanicznych i strukturalnych błony, co wpływa na aktywność zarówno białek błonowych integralnych, jak i białek peryferyjnych2,6.

Schemat klasyfikacji lipidów: porównanie struktury glicerofosfolipidów, sfingolipidów i steroli.
Rycina 1Reprezentatywne struktury lipidów. Ogonki kwasów tłuszczowych przedstawiono w niebieskich polach, popularne grupy główne lipidów w pomarańczowych, a szkielety próbek w fioletowych. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Lipidy są aktywnymi uczestnikami procesów komórkowych, aktywacji białek w kaskadach sygnałowych oraz prawidłowej homeostazy komórkowej8,9. Zaburzenia dynamiki lipidów są wynikiem infekcji lub mogą stanowić markery patogenezy chorób10,11,12,13,14,15. Ze względu na pełnioną przez nie funkcję barier komórkowych, badanie lipidów błonowych oraz ich roli w przenikaniu małych cząsteczek ma istotne znaczenie dla systemów dostarczania leków i mechanizmów rozrywania błon16,17. Różnorodność chemiczna i odmienne proporcje gatunków lipidów w organellach, tkankach i organizmach prowadzą do złożonej dynamiki błon2. Dlatego ważne jest zachowanie tych cech w badaniach modelowych dwuwarstw lipidowych, zwłaszcza gdy celem badania jest analiza oddziaływań innych biomolekuł z błoną. Wybór gatunków lipidów do uwzględnienia w modelu zależy od organizmu i badanego przedziału komórkowego. Na przykład lipidy PG są ważne dla transportu elektronów w bakteriach fotosyntetyzujących18, podczas gdy fosforylowane lipidy inozytolowe (PIPs) odgrywają główną rolę w dynamice błony plazmatycznej (PM) i kaskadach sygnałowych w komórkach ssaków19,20. Wewnątrz komórki błona plazmatyczna, siateczka śródplazmatyczna (ER), aparat Golgiego oraz błony mitochondrialne zawierają unikalne ilości lipidów, które wpływają na ich funkcję. Przykładowo, ER jest centrum biogenezy lipidów i transportuje cholesterol do błony plazmatycznej oraz aparatu Golgiego; charakteryzuje się wysoką różnorodnością lipidową z przewagą PC i PE, ale niską zawartością steroli, co sprzyja płynności błony21,22,23,24. W przeciwieństwie do niej, PM w zależności od organizmu zawiera setki, a nawet tysiące gatunków lipidów25, a wysoki poziom sfingolipidów i cholesterolu nadaje jej charakterystyczną sztywność w porównaniu z innymi błonami w komórce24. W przypadku błon takich jak PM należy uwzględnić asymetrię warstw; jej warstwa zewnętrzna jest bogata w sfingomielinę, PC i cholesterol, natomiast warstwa wewnętrzna jest bogata w PE, PI i PS, które są istotne dla kaskad sygnałowych24. Wreszcie różnorodność lipidowa sprzyja tworzeniu mikrodomen różniących się upakowaniem i uporządkowaniem wewnętrznym, znanych jako tratwy lipidowe24,26; wykazują one asymetrię lateralną, według hipotez odgrywają istotną rolę w sygnalizacji komórkowej26 i są trudne do badania ze względu na ich przejściowy charakter.

Do badania oddziaływań biomolekuł z błonami stosowano techniki eksperymentalne, takie jak fluoroskopia, spektroskopia oraz systemy modelowe błon, np. gigantyczne pęcherzyki jednowarstwowe (GUVs). Jednak ze względu na złożoną i dynamiczną naturę zaangażowanych komponentów, same metody eksperymentalne nie są w stanie w pełni uchwycić tych zjawisk. Przykładowo, istnieją ograniczenia w obrazowaniu domen transbłonowych białek, w stopniu złożoności błon wykorzystywanych w takich badaniach, a także w identyfikacji stanów pośrednich lub przejściowych podczas analizowanego procesu27,28,29. Od czasu pojawienia się symulacji molekularnych monowarstw i biwarstw lipidowych w latach 80. XX wieku29, oddziaływania systemów lipidowo-białkowych mogą być obecnie ilościowane na poziomie molekularnym. Symulacja dynamiki molekularnej (MD) to powszechna technika obliczeniowa, która przewiduje ruch cząstek na podstawie oddziaływań międzycząsteczkowych. Addytywny potencjał oddziaływań opisuje oddziaływania wiążące i niewiążące między cząsteczkami w systemie30. Zbiór parametrów wykorzystywanych do modelowania tych oddziaływań nazywa się polem siłowym (FF) symulacji. Parametry te są uzyskiwane z obliczeń ab initio, półempirycznych oraz mechaniki kwantowej i optymalizowane tak, aby odwzorowywać dane z eksperymentów dyfrakcji rentgenowskiej i elektronowej, NMR, spektroskopii podczerwieni, Ramanowskiej i neutronowej oraz innych metod31.

Symulacje MD mogą być wykorzystywane do badania układów na różnych poziomach rozdzielczości32,33,34. Układy, których celem jest charakterystyka specyficznych oddziaływań biomolekularnych, wiązań wodorowych i innych szczegółów o wysokiej rozdzielczości, bada się za pomocą symulacji całkoatomowych (AA). W przeciwieństwie do nich, symulacje gruboziarniste (CG) grupują atomy w większe grupy funkcyjne, aby zmniejszyć koszt obliczeniowy i zbadać dynamikę w większej skali33. Pomiędzy tymi dwoma podejściami znajdują się symulacje zjednoczonych atomów (UA), w których atomy wodoru są łączone z odpowiadającymi im ciężkimi atomami w celu przyspieszenia obliczeń33,35. Symulacje MD stanowią potężne narzędzie do badania dynamiki błon lipidowych i ich oddziaływań z innymi cząsteczkami, a także mogą służyć do wyjaśniania mechanizmów na poziomie molekularnym procesów zachodzących na powierzchni błony. Dodatkowo symulacje MD mogą pomóc w zawężeniu zakresu celów eksperymentalnych oraz przewidzieć właściwości makromolekularne danego układu na podstawie oddziaływań mikroskopowych.

Krótko mówiąc, mając zestaw współrzędnych początkowych, prędkości oraz zestaw warunków, takich jak stała temperatura i ciśnienie, pozycje i prędkości każdej cząsteczki są obliczane poprzez całkowanie numeryczne potencjału oddziaływań i prawa ruchu Newtona. Proces ten jest powtarzany iteracyjnie, co pozwala na wygenerowanie trajektorii symulacji30. Obliczenia te są wykonywane za pomocą silnika MD; spośród kilku pakietów open-source, GROMACS36 jest jednym z najczęściej stosowanych silników i tym, który tutaj opisujemy. Obejmuje on również narzędzia do analizy oraz tworzenia współrzędnych początkowych układów do symulacji37. Inne silniki MD to NAMD38, CHARMM39 oraz AMBER40, które użytkownik może wybrać według własnego uznania, w zależności od wydajności obliczeniowej danego układu. Kluczowe jest wizualizowanie trajektorii w trakcie symulacji, a także w celu analizy i interpretacji wyników. Dostępnych jest wiele narzędzi; tutaj omawiamy Visual Molecular Dynamics (VMD), który oferuje szeroki zakres funkcji, w tym wizualizację trójwymiarową (3-D) z rozbudowanymi metodami rysowania i kolorowania, wizualizację danych wolumetrycznych, budowanie, przygotowywanie i analizowanie trajektorii układów symulacji MD oraz tworzenie filmów z trajektorii bez ograniczeń co do wielkości układu, o ile dostępna jest odpowiednia pamięć41,42,43.

Dokładność przewidywanej dynamiki między komponentami systemu jest bezpośrednio zależna od pola sił (FF) wybranego do propagacji trajektorii. Próby empirycznej parametryzacji FF są podejmowane przez nieliczne grupy badawcze. Do najstarszych i najczęściej stosowanych pól sił w MD należą CHARMM39, AMBER40, Martini44, OPLS45 oraz SIRAH46. Całoatomowe addytywne pole sił CHARMM36 (C36)47 jest powszechnie wykorzystywane w AA MD układów błonowych, ponieważ precyzyjnie odwzorowuje eksperymentalne dane strukturalne. Zostało ono opracowane pierwotnie przez społeczność CHARMM i jest kompatybilne z wieloma silnikami MD, takimi jak GROMACS i NAMD. Pomimo udoskonaleń w powszechnie stosowanych FF, wciąż podejmuje się wysiłki w celu poprawy zestawów parametrów, aby umożliwić przewidywania ściśle odwzorowujące obserwacje eksperymentalne, co jest podyktowane zainteresowaniem konkretnymi badanymi układami48,49.

Wyzwanie podczas symulowania błon lipidowych polega na określeniu długości trajektorii symulacji. Zależy to w dużej mierze od analizowanych parametrów oraz procesu, który ma zostać scharakteryzowany. Zazwyczaj złożone mieszaniny lipidów wymagają więcej czasu na osiągnięcie stanu równowagi, ponieważ więcej gatunków musi mieć wystarczająco dużo czasu na dyfuzję w płaszczyźnie błony i osiągnięcie stabilnej organizacji lateralnej. Mówi się, że symulacja znajduje się w stanie równowagi, gdy analizowana właściwość osiągnie plateau i fluktuuje wokół stałej wartości. Powszechną praktyką jest uzyskanie co najmniej 100-200 ns zrównoważonej trajektorii w celu przeprowadzenia odpowiedniej analizy statystycznej badanych właściwości i oddziaływań. Symulacje obejmujące wyłącznie błony zazwyczaj trwają od 200-500 ns, w zależności od złożoności mieszaniny lipidów i pytania badawczego. Oddziaływania białko-lipid zazwyczaj wymagają dłuższego czasu symulacji, od 500-2000 ns. Niektóre podejścia mające na celu przyspieszenie próbkowania i obserwowalnej dynamiki w systemach błonowych to: (i) model wysoce mobilnego mimetyka błony (HMMM), który zastępuje końcowe węgle lipidów w błonie rozpuszczalnikiem organicznym w celu przyspieszenia próbkowania50; oraz (ii) redystrybucja masy wodoru (HMR), która łączy część mas ciężkich atomów w systemie z masami atomów wodoru, aby umożliwić zastosowanie większego kroku czasowego symulacji51.

Poniższy protokół omawia przystępne dla początkujących podejście do budowania, uruchamiania i analizowania realistycznych modeli błon z wykorzystaniem AA MD. Ze względu na charakter symulacji MD, należy przeprowadzić wiele trajektorii, aby zapewnić powtarzalność i właściwą analizę statystyczną wyników. Obecną praktyką jest uruchamianie co najmniej trzech replik dla każdego badanego układu. Po wyborze gatunków lipidów dla danego organizmu i procesu, podstawowe kroki budowania, uruchamiania i analizowania trajektorii symulacji układu składającego się z samej błony zostały przedstawione i podsumowane na Rysunku 2.

Schemat przepływu pracy przedstawiający budowę systemu, uruchomienie symulacji oraz analizę trajektorii z wykorzystaniem komputera osobistego (PC), klastra obliczeniowego o wysokiej wydajności (HPCC) i skryptów.
Rycina 2Schemat przeprowadzania symulacji MD. Pomarańczowe pola odpowiadają trzem głównym etapom opisanym w protokole. Poniżej przedstawiono schemat procesu symulacji. Podczas konfiguracji systemu, przy użyciu generatora plików wejściowych, takiego jak CHARMM-GUI Membrane Builder, budowany jest system zawierający początkowe współrzędne uwodnionego systemu błonowego. Po przesłaniu plików wejściowych do klastra obliczeniowego o wysokiej wydajności, trajektoria symulacji jest propagowana przy użyciu silnika MD, takiego jak GROMACS. Analiza trajektorii wraz z wizualizacją może być przeprowadzona na klastrze komputerowym lub lokalnej stacji roboczej. Analizę wykonuje się następnie, korzystając z pakietów z wbudowanym kodem analitycznym, takich jak GROMACS i VMD, lub za pomocą skryptów Bash bądź różnorodnych bibliotek Python. Prosimy kliknąć tutaj, aby wyświetlić powiększoną wersję tej ryciny.

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

Protokół

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.

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

Wyniki

Aby zilustrować zastosowanie protokołu oraz wyniki, jakie można uzyskać, omówiono badanie porównawcze modeli błon dla retikulum endoplazmatycznego (ER). Dwa modele w tym badaniu to (i) model PI, zawierający cztery najczęstsze gatunki lipidów występujące w ER, oraz (ii) model PI-PS, do którego dodano anionowy gatunek lipidowy fosfatydyloserynę (PS). Modele te zostały później wykorzystane w badaniu białka wirusowego i jego oddziaływań z błoną; wskazano, że obecność PS jest istotna dla aktywności permeabilizacyjnej białka w...

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

Dyskusja

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...

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

Oświadczenia

Autorzy nie mają żadnych sprzecznych interesów, które mogliby ujawnić.

Podziękowania

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).

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

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
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

Bibliografia

  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).

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

Przedruki i uprawnienia

Tagi

Dynamika molekularnasymulacja dwuwarstwy lipidowejskład błonyCHARMM-GUIsymulacja GROMACSstruktura dwuwarstwygatunki lipidówoddziaływanie białek błonowych
Realistyczne modelowanie błon z wykorzystaniem złożonych mieszanin lipidowych w badaniach symulacyjnych
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.