Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Biology
Click here for the English version

Biology

Simülasyon Çalışmalarında Kompleks Lipid Karışımları Kullanılarak Gerçekçi Membran Modellemesi

Published: September 1, 2023 doi: 10.3791/65712
Automatic Translation
1, 2, 1, 1
1Department of Chemical and Biological Engineering, State University of New York at Buffalo, 2Department of Mathematics, State University of New York at Buffalo

Summary

Yapı ve bileşimdeki membran lipid çeşitliliği, hücresel süreçlere önemli bir katkıda bulunur ve bir hastalık belirteci olabilir. Moleküler dinamik simülasyonları, membranları ve bunların biyomoleküllerle etkileşimlerini atomistik çözünürlükte incelememizi sağlar. Burada, karmaşık membran sistemlerini oluşturmak, çalıştırmak ve analiz etmek için bir protokol sağlıyoruz.

Abstract

Lipitler, hücre zarlarının yapısal yapı taşlarıdır; Lipid türleri, hücre organelleri ve organizmalar arasında farklılık gösterir. Bu çeşitlilik, membranda, bu arayüzde meydana gelen molekülleri ve süreçleri doğrudan etkileyen farklı mekanik ve yapısal özelliklerle sonuçlanır. Lipid bileşimi dinamiktir ve hücre sinyalleme süreçlerini modüle etmeye hizmet edebilir. Hesaplamalı yaklaşımlar, biyomoleküller arasındaki etkileşimleri tahmin etmek ve deneysel gözlemlenebilirlere moleküler içgörüler sağlamak için giderek daha fazla kullanılmaktadır. Moleküler dinamik (MD), atomların hareketini, üzerlerine etki eden kuvvetlere göre tahmin eden istatistiksel mekaniğe dayalı bir tekniktir. MD simülasyonları, biyomoleküllerin etkileşimini karakterize etmek için kullanılabilir. Burada, tekniği kısaca tanıtıyoruz, lipid çift katmanlarını simüle etmekle ilgilenen yeni başlayanlar için pratik adımları özetliyoruz, yeni başlayanlar için uygun yazılımla protokolü gösteriyoruz ve alternatifleri, zorlukları ve sürecin önemli hususlarını tartışıyoruz. Özellikle, simülasyonda uygun hidrofobik ve mekanik ortamları yakalamak için ilgilenilen bir hücre zarını modellemek için karmaşık lipid karışımlarının kullanılmasının önemini vurguluyoruz. Ayrıca, membran bileşiminin ve özelliklerinin çift katmanların diğer biyomoleküllerle etkileşimlerini modüle ettiği bazı örnekleri de tartışıyoruz.

Introduction

Lipitler, hücreler için sınırlar sağlayan ve hücre içi bölümlendirmeyisağlayan zarların ana bileşenleridir 1,2,3. Lipitler, bir polar baş grubu ve iki hidrofobik yağ asidi kuyruğu ile amfifiliktir; Bunlar, hidrofobik zincirlerin suile temasını en aza indirmek için çift tabaka halinde kendiliğinden birleşir 3,4. Hidrofilik baş gruplarının ve hidrofobik kuyrukların çeşitli kombinasyonları, biyolojik membranlarda gliserofosfolipidler, sfingolipidler ve steroller gibi farklı lipit sınıflarına neden olur (Şekil 1)1,5,6. Gliserofosfolipidler, gliserofosfat, uzun zincirli yağ asitleri ve düşük moleküler ağırlıklı baş gruplarındanoluşan ökaryotik hücre zarlarının birincil yapı taşlarıdır 7. Lipid isimlendirmesi, kafa gruplarındaki farklılıklara dayanır; örnekler arasında fosfatidil-kolin (PC), fosfatidil-etanolamin (PE), fosfatidil-serin (PS), fosfatidil-gliserol (PG), fosfatidil-inositol (PI) veya modifiye edilmemiş fosfatidik asit (PA)5,6. Hidrofobik kuyruklara gelince, omurga yapısı ile birlikte doygunluğun uzunluğu ve derecesi değişir. Olası kombinasyonlar çoktur ve memeli hücrelerinde binlerce lipit türü ile sonuçlanır6. Membran lipid bileşimindeki değişiklikler, hem integral membran proteinlerinin hem de periferik proteinlerinaktivitesini etkileyen farklı mekanik ve yapısal membran özelliklerine yol açar 2,6.

Figure 1
Şekil 1. Temsili lipit yapıları. Yağ asidi kuyrukları mavi kutularda, yaygın lipid baş grupları turuncu renkte ve örnek omurgalar mor renkte gösterilmiştir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Lipitler hücresel süreçlerde, sinyal kaskadlarında protein aktivasyonunda ve sağlıklı hücre homeostazında aktif oyunculardır 8,9. Değişen lipid dinamikleri enfeksiyonun sonucudur veyahastalığın patogenezinin belirteçleri olabilir 10,11,12,13,14,15. Hücre için engeller olarak, membran lipidlerinin incelenmesi ve bunların küçük moleküllerin nüfuz etmesindeki rolü, ilaç dağıtım sistemleri ve membran bozulma mekanizmalarıile ilgilidir 16,17. Organeller, dokular ve organizmalar arasındaki kimyasal çeşitlilik ve lipid türlerinin farklı oranları, karmaşık zar dinamiğine yol açar2. Bu nedenle, özellikle bir çalışmanın amacı diğer biyomoleküllerin zar ile etkileşimlerini incelemek olduğunda, lipid çift katmanlarının modelleme çalışmalarında bu özelliklerin korunması önemlidir. Bir modelde dikkate alınacak lipit türleri, ilgilenilen organizmaya ve hücresel bölmeye bağlıdır. Örneğin, PG lipidleri fotosentetik bateria18'de elektron transferi için önemlidir, fosforile inositol lipidleri (PIP'ler) ise plazma zarı (PM) dinamiklerinde ve memeli hücrelerinde sinyal kaskadlarında önemli oyunculardır 19,20. Hücrenin içinde PM, endoplazmik retikulum (ER), Golgi ve mitokondriyal zarlar, işlevlerini etkileyen benzersiz lipid bollukları içerir. Örneğin, ER, lipid biyogenezinin merkezidir ve kolesterolü PM ve Golgi'ye taşır; bol miktarda PC ve PE ile yüksek bir lipit çeşitliliği içerir, ancak membran akışkanlığınıdestekleyen düşük sterol içeriği 21,22,23,24 içerir. Buna karşılık, PM, organizmaya bağlı olarak yüzlerce ve hatta binlerce lipid türünü içerir25, hücre 24'teki diğer zarlara kıyasla karakteristik bir sertlik veren yüksek seviyelerde sfingolipidler ve kolesterol içerir. Yaprakçık asimetrisi, sfingomyelin, PC ve kolesterol açısından zengin bir dış yaprakçık ve basamakları24 sinyallemek için önemli olan PE, PI ve PS açısından zengin bir iç yaprakçık içeren PM gibi membranlar için dikkate alınmalıdır. Son olarak, lipid çeşitliliği, lipid salları olarak bilinen, paketleme ve iç düzende farklılık gösteren mikro alanların oluşumunu da tetikler24,26; Bunlar yanal asimetri sergiler, hücresel sinyalleşmede önemli roller oynadığı varsayılmaktadır26 ve geçici yapıları nedeniyle incelenmesi zordur.

Biyomoleküllerin membranlarla etkileşimlerini araştırmak için floroskopi, spektroskopi gibi deneysel teknikler ve dev unilameller veziküller (GUV'ler) gibi model membran sistemleri kullanılmıştır. Bununla birlikte, ilgili bileşenlerin karmaşık ve dinamik doğasını yalnızca deneysel yöntemlerle yakalamak zordur. Örneğin, proteinlerin transmembran alanlarının görüntülenmesi, bu tür çalışmalarda kullanılan membranların karmaşıklığı ve ilgilenilen işlem sırasında ara veya geçici durumların tanımlanması konusunda sınırlamalar vardır27,28,29. 1980'lerde lipid tek tabakalarının ve çift tabakalarının moleküler simülasyonunun ortaya çıkmasından buyana29, lipit-protein sistemleri ve etkileşimleri artık moleküler düzeyde ölçülebilir. Moleküler dinamik (MD) simülasyonu, moleküller arası kuvvetlerine dayalı olarak parçacıkların hareketini tahmin eden yaygın bir hesaplama tekniğidir. Bir katkı etkileşim potansiyeli, sisteminparçacıkları arasındaki bağlı ve bağlı olmayan etkileşimleri tanımlar 30. Bu etkileşimleri modellemek için kullanılan parametreler kümesi, simülasyon kuvvet alanı (FF) olarak adlandırılır. Bu parametreler, ab initio hesaplamalarından, yarı ampirik ve kuantum mekaniksel hesaplamalardan elde edilir ve diğer yöntemlerin yanı sıra X-ışını ve elektron kırınım deneyleri, NMR, kızılötesi, Raman ve nötron spektroskopisinden elde edilen çoğaltılan verilere optimize edilir31.

MD simülasyonları,32,33,34 çözünürlüğün çeşitli seviyelerindeki sistemleri incelemek için kullanılabilir. Spesifik biyomoleküler etkileşimleri, hidrojen bağlarını ve diğer yüksek çözünürlüklü ayrıntıları karakterize etmeyi amaçlayan sistemler, tüm atom (AA) simülasyonları ile incelenir. Buna karşılık, kaba taneli (CG) simülasyonlar, hesaplama maliyetini azaltmak ve daha büyük ölçekli dinamikleri incelemek için atomları daha büyük fonksiyonel gruplara ayırır33. Bu ikisi arasında, hesaplamayı hızlandırmak için hidrojen atomlarının ilgili ağır atomlarıyla birleştirildiği birleşik atom (UA) simülasyonlarıbulunur 33,35. MD simülasyonları, lipid membranlarının dinamiklerini ve bunların diğer moleküllerle etkileşimlerini araştırmak için güçlü bir araçtır ve membran arayüzünde ilgilenilen süreçler için moleküler düzeyde mekanizmalar sağlamaya hizmet edebilir. Ek olarak, MD simülasyonları, deneysel hedefleri daraltmaya ve mikroskobik etkileşimlere dayalı olarak belirli bir sistemin makromoleküler özelliklerini tahmin etmeye hizmet edebilir.

Kısaca, bir dizi başlangıç koordinatı, hız ve sabit sıcaklık ve basınç gibi bir dizi koşul verildiğinde, her parçacığın konumları ve hızları, etkileşim potansiyelinin ve Newton'un Hareket Yasasının sayısal entegrasyonu yoluyla hesaplanır. Bu, yinelemeli olarak tekrarlanır, böylece bir simülasyon yörüngesi30 oluşturulur. Bu hesaplamalar bir MD motoru ile gerçekleştirilir; Birkaç açık kaynaklı paket arasında, GROMACS36 en yaygın kullanılan motorlardan biridir ve burada açıkladığımız motordur. Ayrıca, simüle edilecek sistemlerin ilk koordinatlarının analizi ve oluşturulması için araçlar içerir37. Diğer MD motorları arasında NAMD38; CHARMM39 ve AMBER40, kullanıcının belirli bir sistemin hesaplama performansına dayalı olarak kendi takdirine bağlı olarak seçebileceği. Simülasyon sırasında yörüngeleri görselleştirmenin yanı sıra sonuçların analizi ve yorumlanması için de kritik öneme sahiptir. Çeşitli araçlar mevcuttur; burada, geniş çizim ve renklendirme yöntemleriyle üç boyutlu (3-D) görselleştirme, hacimsel veri görselleştirme, MD simülasyon sistemlerinin yörüngelerini oluşturma, hazırlama ve analiz etme ve bellek mevcutsa sistem boyutunda herhangi bir sınırlama olmaksızın yörünge filmi yapımı dahil olmak üzere çok çeşitli özellikler sunan görsel moleküler dinamikleri (VMD) tartışıyoruz41,42,43.

Sistem bileşenleri arasında tahmin edilen dinamiklerin doğruluğu, yörüngenin yayılması için seçilen FF'den doğrudan etkilenir. Ampirik FF parametrelendirme çabaları az sayıda araştırma grubu tarafından sürdürülmektedir. MD için en köklü ve yaygın FF CHARMM39, AMBER 40, Martini44, OPLS 45 ve SIRAH 46'dır. Tüm atom katkı maddesi CHARMM36 (C36) kuvvet alanı47, deneysel yapısal verileri doğru bir şekilde yeniden ürettiği için membran sistemlerinin AA MD'si için yaygın olarak kullanılmaktadır. Başlangıçta CHARMM topluluğu tarafından geliştirilmiştir ve GROMACS ve NAMD gibi birden fazla MD motoruyla uyumludur. Yaygın FF'lerdeki gelişmelere rağmen, belirli çalışma sistemlerine olan ilgiler tarafından yönlendirilen, deneysel gözlemlenebilirleri yakından yeniden üreten tahminlere izin vermek için parametre setlerini geliştirmek için sürekli bir çaba vardır48,49.

Lipid membranları simüle ederken karşılaşılan bir zorluk, simülasyon yörüngesinin uzunluğunu belirlemektir. Bu, büyük ölçüde analiz edilecek metriklere ve karakterize etmeyi amaçlayan sürece bağlıdır. Tipik olarak, karmaşık lipid karışımlarının dengeye ulaşması için daha uzun zaman gerekir, çünkü daha fazla türün zar düzleminde yayılması ve kararlı bir yanal organizasyona ulaşması için yeterli zamana sahip olması gerekir. İlgilenilen özellik bir platoya ulaştığında ve sabit bir değer etrafında dalgalandığında bir simülasyonun dengede olduğu söylenir. İlgilenilen özellikler ve etkileşimler üzerinde uygun istatistiksel analiz yapmak için en az 100-200 ns dengeli yörünge elde etmek yaygın bir uygulamadır. Lipid karışımının karmaşıklığına ve araştırma sorusuna bağlı olarak 200-500 ns arasında yalnızca membran simülasyonları çalıştırmak yaygındır. Protein-lipid etkileşimleri tipik olarak 500-2000 ns arasında daha uzun simülasyon süreleri gerektirir. Membran sistemleriyle örneklemeyi ve gözlemlenebilir dinamikleri hızlandırmak için bazı yaklaşımlar şunlardır: (i) örneklemeyi hızlandırmak için membrandaki lipitlerin uç karbonlarını organik çözücü ile değiştiren oldukça hareketli membran mimetik (HMMM) modeli50; ve (ii) daha büyük bir simülasyon zaman adımı51'in kullanılmasına izin vermek için bir sistem içindeki ağır atomların kütlelerinin bir kısmını hidrojen atomlarınınkilerle birleştiren hidrojen kütle yeniden bölümleme (HMR).

Aşağıdaki protokol, AA MD kullanarak gerçekçi membran modelleri oluşturmak, çalıştırmak ve analiz etmek için yeni başlayanlar için uygun bir yaklaşımı ele almaktadır. MD simülasyonlarının doğası göz önüne alındığında, tekrarlanabilirliği ve sonuçların uygun istatistiksel analizini hesaba katmak için birden fazla yörünge çalıştırılmalıdır. İlgilenilen sistem başına en az üç çoğaltma çalıştırmak geçerli bir uygulamadır. İlgilenilen organizma ve süreç için lipit türleri seçildikten sonra, yalnızca zardan oluşan bir sistemin simülasyon yörüngesini oluşturmak, çalıştırmak ve analiz etmek için temel adımlar Şekil 2'de özetlenir ve özetlenir.

Figure 2
Şekil 2. MD simülasyonlarını çalıştırmak için şematik. Turuncu kutular, protokolde açıklanan üç ana adıma karşılık gelir. Aşağıda simülasyon sürecinin iş akışı yer almaktadır. Sistem kurulumu sırasında, çözülmüş bir membran sisteminin başlangıç koordinatlarını içeren sistem, CHARMM-GUI Membrane Builder gibi bir sistem giriş üreteci ile oluşturulur. Giriş dosyalarını yüksek performanslı bir bilgi işlem kümesine aktardıktan sonra, simülasyon yörüngesi GROMACS gibi bir MD motoru kullanılarak yayılır. Yörünge analizi, görselleştirme ile birlikte bilgisayar kümesinde veya yerel bir çalışma istasyonunda yapılabilir. Analiz daha sonra GROMACS ve VMD gibi yerleşik analiz koduna sahip paketler kullanılarak veya Bash komut dosyaları veya çeşitli Python kitaplıkları kullanılarak gerçekleştirilir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Sistem koordinatlarının oluşturulması

  1. Bir web tarayıcısı kullanarak CHARMM-GUI.org (C-GUI) bölümüne gidin. Üst menüde Giriş Oluşturucu'ya gidin, ardından ekranın sol tarafındaki dikey seçeneklerden Membran Oluşturucu'yu seçin.
  2. Çift katmanlı oluşturmak için Bilayer Builder'ı seçin.
    NOT: İlk kez kullananlar, ilk koordinat kümelerini oluşturmadan önce ücretsiz hesaplarını etkinleştirmelidir.
  3. Yalnızca Membran Sistemi'ni seçin. Sistemi almak için oluşturulan İŞ KİMLİĞİNİ kaydedin ve gerekirse işlem sırasında kaldığınız yerden devam edin.
    1. Sayfanın üst kısmında bulunan kutuda Yapıyı Görüntüle'ye tıklayarak veya ortaya çıkan PDB dosyasını indirerek oluşturma sürecinin her adımında sistemleri görselleştirin. Eksik bileşenlere, seçilen girdi lipid türlerinde veya yama boyutunda hatalara dikkat edin.
  4. Sistemin bileşenlerini seçin.
    1. Tek bileşenli bir çift katman oluşturuyor olsanız bile Heterojen Lipid seçeneğini seçin; tıklayın, sonra bir Dikdörtgen Kutu türü seçin.
    2. Hidrasyon seçeneği için lipit başına 45 su molekülü seçin; Bu, tamamen hidratlı bir çift tabaka sağlamak için yeterlidir.
    3. XY'nin uzunluğunu lipid bileşenlerinin sayısına göre ayarlayın. Ardından, modelden önce belirlenen her bir lipit türü için dahil edilecek lipit sayısını seçin. Bir sonraki bölümde tartışılan vaka çalışması için, iki yaprakçıkta simetrik olarak dağıtılan 600 lipidli bir membran modeli oluşturuldu. Ökaryotik hücrelerin ER'sini modellemek için PI modeli için 336 DOPC, 132 DPPE, 60 CHOL, 72 POPI lipid karışımı kullanıldı; ve PI-PS modeli için 330 DOPC, 126 DPPE, 54 CHOL, 66 COPI ve 24 DOPS lipidleri.
      NOT: C-GUI, aralarından seçim yapabileceğiniz bir lipit yapıları kitaplığı sağlar; Kimyasal yapısı için tür adının yanındaki resimlere tıklayın.
    4. Lipid adının yanındaki iki kutudaki üst ve alt broşüre istenen sayıda molekül yazın. Vaka çalışması için simetrik bir membran bileşimi istenmektedir - üst broşürde ve alt broşürde eşsiz sayıda lipit hakkında hata olmadığından emin olun. Asimetri isteniyorsa, her broşürdeki toplam lipit sayısının doğru olduğundan emin olun. Asimetrik çift katmanların oluşturulmasıyla ilgili ayrıntılar için, Park ve ark.52,53'ün çalışmasına bakın.
    5. Lipid türleri listesinin en üstüne gidin ve Sistem Bilgisini Göster düğmesine tıklayın. Bileşenleri birleştirin ve sistemi tamamlayın.
    6. Daha hızlı yakınsama için mesafeye dayalı algoritmayı kullanarak nötralize edici iyonları dahil etme seçeneğini seçin54.
    7. KCl'nin varsayılan çözelti konsantrasyonunu 0.15 mM'de bırakın. Bu, membran çift katmanları için simülasyon kutusunu nötr hale getirmek için tipik bir tuz konsantrasyonudur.
      NOT: Farklı bir konsantrasyon kullanılacaksa, düzenledikten sonra Solvent Bileşimini Hesapla düğmesine tıkladığınızdan emin olun.
  5. Simülasyon koşullarını ve ayarlarını seçin.
    1. FF seçeneği olarak CHARMM36m'yi seçin; Genellikle lipid ve protein simülasyonları için kullanılır, ancak kullanıcı giriş bölümünde tartışılan diğer seçenekleri seçebilir.
    2. İlgili formatta örnek girdi dosyaları elde etmek için MD motoru olarak GROMACS'ı seçin.
      NOT: GROMACS, destek için birden fazla çevrimiçi kaynağa, öğreticiye ve foruma sahip olduğundan yeni kullanıcılar için önerilir. Kullanıcı, simülasyon performansı ve kod sözdizimi açısından seçenekleri keşfetmek için birden çok MD motoru arasından seçim yapabilir.
    3. Sabit Parçacık-Basınç-Sıcaklık (NPT) topluluğunu seçin, lipid çift katmanlarının simülasyonunda açık ara en çok kullanılan dinamik topluluk.
    4. Kelvin ve bar cinsinden sıcaklık ve basıncı sırasıyla 303 K ve 1 bar olarak ayarlayın. Sıvı bozukluğu durumunda bir çift tabaka sağlamak için biyolojik süreçlerin incelenmesi için sıcaklığın 298 K ile 310 K arasında ayarlanması tipiktir.
      NOT: Sıcaklık, simüle edilecek işlemin koşullarına bağlıdır ve gerektiğinde değiştirilebilir. Modeldeki lipid türlerine bağlı olarak, simülasyonu çalıştırmadan önce sıcaklığı saf lipid bileşenlerinin geçiş sıcaklığının üzerinde olacak şekilde ayarlayın.
  6. Ortaya çıkan dosyaları indirin ve bilgisayar kümesine aktarın.
    1. Nihai sistemi VMD veya PyMol gibi tercih edilen bir yazılımda görselleştirin ve doğru kurulum için kontrol edin.
      NOT: Örneğin, simülasyon sırasında lipitlerin görüntü atomlarıyla etkileşime girmemesi için zarın etrafında yeterli su olup olmadığını ve uygun broşür kurulumunu (arada boşluk veya su olmayan bir çift katman) kontrol etmek iyidir.

2. MD simülasyonlarını çalıştırma

  1. Dosyaları bilgi işlem kümenizdeki C-GUI'den karşıya yükleyin ve sıkıştırmasını açın. Gromacs dizinine gidin. Bir rahatlama gönderme komut dosyası oluşturun.
  2. Gönderim komut dosyasının biçimi için kümenin yönergelerini izleyin.
    1. README dosyasındaki # Production açıklamasının hemen üstüne kadar listelenen komutları gönderim komut dosyasına kopyalayın.
      NOT: C-GUI'nin bu varsayılanı, sistemin 6 adımlı gevşemesini çalıştıran bir döngüdür. Farklı ve köklü bir protokol isteniyorsa, C-GUI'den yeni oluşturulmuş ve indirilmiş koordinatları okumak için düzenleyin.
  3. Gevşeme betiğini gönderin ve üretim çalıştırmasına geçmeden önce tüm çıkış dosyalarının tüm adımlar için indirildiğini onaylayın. Tamamlandığında, 6 adımlı çalıştırma sırasında oluşturulan GROMACS'tan aşağıdaki çıktı dosyalarını kontrol edin: *.log, *.tpr, *.gro, *.edr, *.trr / *.xtc
  4. Bir üretim çalıştırma betiği oluşturun.
    1. Gevşeme adımlarından herhangi birindeki örnek gmx grompp ve gmx mdrun komutlarından birini şablon olarak kullanın.
    2. Komut dosyasını kullanmadan önce, sağlanan step7_production.mdp dosyasıyla benzer simülasyon seçenekleri içeren bir *.mdp dosyası oluşturduğunuzdan emin olun.
      NOT: Sağlanan varsayılan seçenekler membran simülasyonları için standarttır; Boyutlar nm cinsinden listelenir ve zaman pikosaniye veya adım sayısı (pikosaniye / entegrasyon zaman adımı) olarak verilir. İstenen simülasyon uzunluğuna kadar çalışacak şekilde nsteps'i güncelleyin (bu, dt * nsteps'e eşittir) ve entegrasyon adımlarının sayısındaki veri kaydetme sıklığını güncellemek için nst[x,v,f]out'u güncelleyin. Örnek olay incelemesi için, 500ns'lik bir simülasyon uzunluğu için nsteps'i 250.000.000'a ayarlayın (simülasyon süresi / entegrasyon adımı = 500.000 ps / 0.002ps) ve her 100 ps'de bir veri kaydetmek için nst[x,v,f]out 50.000'e ayarlayın
  5. Gerçek simülasyonu çalıştırmadan önce, kaynakların en iyi kullanımını belirlemek için kıyaslama çalışmaları yapın.
    1. Farklı sayıda bilgi işlem düğümü kullanarak sistemi 1-2 ns çalıştırın.
      NOT: ER vaka çalışması, performansın 1-10 düğüm için test edildiği 2 ns için UB hesaplamalı araştırma merkezi (CCR) yüksek performanslı bilgi işlem kümesi55'te sunulmuştur.
    2. Çalıştırma için en uygun kaynakları belirlemek üzere her ayar için performansı ns/gün cinsinden karşılaştırın. Maksimum performansın %75-%80'i ile sonuçlanan düğüm sayısını seçmek yaygın bir uygulamadır.
  6. Üretim çalıştırmasını çalıştırın.
    1. Tekrarlanabilirliği sağlamak ve veriler üzerinde istatistiksel analizler yapmak için her sistemi üç kopya halinde çalıştırın.
    2. Bilgi işlem kümesinde gönderim için izin verilen kuyruk süresi biterse, kıyaslamalara göre yörüngeyi genişletin. Yörünge toplamaya devam etmek için gmx convert-tpr'yi ve ardından gmx mdrun komutlarını kullanın.
      NOT: Seçenekler, çevrimiçi GROMACS belgelerinde açıklanmıştır (https://manual.gromacs.org/).
    3. Yalnızca membran içeren bir sistem için, zaman içinde lipit başına alanı hesaplayarak sistemin dengeye ulaşıp ulaşmadığını inceleyin. Değilse, simülasyon yörüngesini uzatın.

3. Yörüngeyi analiz etmek

  1. İlgilenilen molekülleri ve karakterizasyon için amaçlanan yörüngenin bir kısmını belirlemek için analiz yapmadan önce sistemi görselleştirin.
  2. Dosya boyutunu küçültmek ve görselleştirme ve analiz için yerel istasyona daha verimli aktarımı kolaylaştırmak için dosya biçimini *.xtc olarak değiştirerek ve/veya kareleri atlayarak ham yörünge dosyalarını (*.trr) sıkıştırın.
    NOT: Büyük membran sistemleri için, dosya boyutunu daha da küçültmek için yörüngeden suyu çıkarmak tercih edilebilir. Bu, GROMACS'taki dizin dosyalarıyla, VMD'deki TCL komut dosyalarıyla veya MDAnalysis ve MDTraj gibi Python kitaplıklarıyla yapılabilir.
  3. Lipid başına alan zaman serilerinden belirlendiği gibi, yörüngenin dengelenmiş kısmı sırasında seçilen analizleri gerçekleştirin.
    NOT: Tipik membran analizleri ve bunların nasıl çalıştırılacağı hakkında daha fazla ayrıntı için tartışmaya bakın.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Protokolün kullanımını ve elde edilebilecek sonuçları göstermek için, endoplazmik retikulum (ER) için membran modelleri için bir karşılaştırma çalışması tartışılmaktadır. Bu çalışmadaki iki model, (i) ER'de bulunan ilk dört lipid türünü içeren PI modeli ve (ii) anyonik fosfatidilserin (PS) lipid türlerini ekleyen PI-PS modeliydi. Bu modeller daha sonra bir viral protein ve membran ile nasıl etkileşime girdiği üzerine yapılan bir çalışmada kullanılmış, PS'ye olan ilginin viral proteinin geçirgenlik aktivitesi için önemli olduğu belirtilmiştir23. Lipid kuyruk yapılarında çeşitliliği dahil etmek için, membran bileşimleri DOPC:DPPE:CHOL:POPI (%56:22:10:12 mol) ve DOPC:DPPE:CHOL:POPI:DOPS (%55:21:11:9:4 mol) olarak ayarlandı.

Membranlar CHARMM-GUI Membran Builder ile üretildi. 4 farklı lipid türünü ve daha sonra proteini barındırmak için simetrik zarlar 600 lipid / yaprakçık içerecek şekilde ayarlandı. Protokolde önerilen ayarlar 303 K sıcaklıkta kullanıldı. Bağımsız kopyalar sağlamak için, her bir membran modeli için yapım işlemi üç kez tekrarlandı ve her seferinde farklı bir rastgele lipit karışımı elde edildi. Sistemleri oluşturduktan sonra, girdi dosyaları, GROMACS sürüm2020.5 kullanılarak MD simülasyonlarını çalıştırmak için UB hesaplamalı araştırma merkezi (CCR) yüksek performanslı bilgi işlem kümesi 55'e taşındı. 6 adımlı gevşeme protokolü tamamlandıktan sonra, atom sayısı tüm kopyalarda benzer olduğundan, model başına yalnızca bir sistemde kıyaslama yapıldı (Şekil 3). Maksimum performansın %75'i ~78 ns/gün idi, bu nedenle üretim çalıştırmaları için kümede en fazla 6 düğüm istendi. Her çoğaltma, *.mdp dosyasında nstep = 25 x 107 ayarlanarak ve kıyaslamalara göre gerektiğinde kümeye uzantılar gönderilerek 500 ns'ye kadar çalıştırıldı.

Figure 3
Şekil 3. Örnek kıyaslama çalıştırmaları. PI Modelinin (315.000 atom) performansını belirlemek için kullanılır. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Her kopya için lipid başına alan (APL) Şekil 4'te gösterilmektedir. Bu, yerleşik enerji programı kullanılarak GROMACS'tan *edr simülasyon çıktı dosyasında saklanan simülasyon kutusunun XY boyutlarından hesaplandı. Daha sonra, her modelde APL'nin bir tahminini sağlamak için toplam yüzey alanı, broşür başına toplam lipit sayısına bölündü. Tüm sistemler için denge, APL'nin bir platoya ulaştığı ve sabit bir değer etrafında dalgalandığı nokta olarak belirlendi. Tüm bu sistemlerde, yörüngenin ilk 100 ns'si içinde dengeye ulaşılır (bkz. Şekil 4). Bu metriğe dayanarak, bu sistemler için 500 ns'lik yörüngeler yeterli görülmüştür. Bu çift katmanlar üzerindeki diğer tüm analizler, dengelenmiş veya üretim aşaması olarak bilinen son 400 ns'lik yörünge üzerinde gerçekleştirildi. Hesaplanan her değerdeki belirsizliği belirlemek için, her 10-20 ns'de bir blok ortalaması önerilir. APL analizinden, PI-PS membran modeli, PI modelinden ortalama 0,7 Å2 daha büyük bir yüzey alanına sahiptir.

Figure 4
Şekil 4. Lipid başına alan örnekleri. (A) PI ve (B) PI-PS modelleri. Her model için çoğaltma 1, çoğaltma 2 ve çoğaltma 3 kırmızı, mavi ve yeşil renklerle gösterilir. Tüm sistemler için dengeleme ilk 100 ns içinde gerçekleşir. Belirsizlik, ortalamanın (SEM) standart hatası olarak rapor edilir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Ek olarak, membran yapısı ile ilgili iki basit analiz sunulmuştur. Şekil 5 , üst ve alt yaprakçıklardaki fosfolipidlerin fosfat atomlarının kütle merkezi (COM) arasındaki mesafe ile tahmin edilen zar kalınlığını göstermektedir. Bu, biri üst broşürdeki fosfat grupları ve diğeri alt broşürdekiler için olmak üzere iki atom grubunu listeleyen bir indeks dosyası gerektiren GROMACS'taki mesafe programı kullanılarak hesaplandı. Sonuçlar, iki membran modelinin kalınlıkları arasında istatistiksel bir fark olduğunu göstererek, APL ile membran kalınlığı arasında ters bir ilişki olduğunu göstermektedir. Son olarak, Şekil 6 , her bir lipit türünün döteryum sırası parametrelerini göstermektedir, bu da iki tabakalı hidrofobik çekirdek56 içindeki lipit kuyruklarının sırasını ölçen bir ölçüdür. Yağ asidi kuyrukları, gliserol omurgasının terminal oksijenine bağlı olan sn1 ve gliserol grubunun merkezi oksijenine bağlı olan sn2 olarak sınıflandırılır. Sonuçlar, PI modelinde sn1 kuyruğu için hafif bir artış gösteren DPPE dışında, modeller arasındaki lipit kuyruklarının sırası arasında çok az fark olduğunu veya hiç fark olmadığını göstermektedir.

Figure 5
Şekil 5. Membran kalınlığı örnekleri. (A) PI ve (B) PI-PS modelleri. Her model için çoğaltma 1, çoğaltma 2 ve çoğaltma 3 kırmızı, mavi ve yeşil renklerle gösterilir. Belirsizlik, ortalamanın (SEM) standart hatası olarak rapor edilir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Figure 6
Şekil 6. Döteryum sipariş parametreleri örnekleri. (A) DOPC, (B) DPPE, (C) POPI ve (D) DOPS lipid türleri. sn1 için düz çizgiler, sn2 için kesikli çizgiler, PI modeli kırmızı ve PI-PS modeli mavi renktedir. Belirsizlik, ortalamanın (SEM) standart hatası olarak rapor edilir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Karmaşık zar modelleri, belirli lipid türlerinin alaka düzeyini ve bunların biyomoleküllerin zar ile etkileşimlerini nasıl modüle ettiğini incelemek için kullanılabilir. Laboratuvardan alınan örnek çalışmalar şunları göstermektedir: (1) membran bileşimi, proteinlerin19 etkileşimlerini modüle eder ve (2) lipid kuyruk doygunluğu ve membran yüzey yükü, küçük moleküllerin etki geçirgenliğini ve yanal organizasyonunu17,57 modüle eder. Yukarıda açıklanan protokolü ve önceki paragraflarda sunulana benzer analizleri kullanarak, Li ve ark. potansiyel bir fotodinamik terapi ajanı olan D112 ile farklı lipid karışımları arasındaki etkileşime ilişkin deney ve simülasyondan içgörüler sağlar17. Çift tabakada D112 bölümlemesini karakterize etmek için bir deneyde PC ve PS lipidlerine sahip bir çift tabaka incelendi. Yüzey yükü ve hidrofobik ortamın D112-membran etkileşimi üzerindeki etkisini belirlemek için, değişen yağ asidi kuyruk uzunlukları ve doygunluk, yani çift bağ sayısı ile farklı PC ve PS lipid rasyonlarının simülasyonlarını gerçekleştirdik. Elektrostatik etkileşimler D112'nin anyonik PS lipidlerine ilk bağlanmasını sağlarken, hidrofobik etkileşimler molekülü iki olası mekanizma yoluyla zar çekirdeğine çeker (bkz. Şekil 7A-B). Membranın içinde, D112 tercihen bir monomer veya dimer olarak PC açısından zengin alanlara lokalize olur.

Figure 7
Şekil 7. Sunulan protokolü takip eden ek örnek sistem. D112'nin iki yerleştirme mekanizmasını tanımlayan model membranlarla simülasyonları: (A) zıpkın ve (B) çevirme; (C) D112 dimerlerinin oryantasyonu; ve (D) D112 moleküllerinin (mavi kontur haritaları) yüklü lipitlere (turuncu kümeler) göre bir membran modelinde yanal dağılımı. Çalışmanın tamamı 17'de bulunabilir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Deneysel teknikler, kriyo-elektron mikroskobu (kriyo-EM)58, floresan teknikleri ve atomik kuvvet mikroskobu (AFM)59 kullanarak biyomolekülleri yüksek çözünürlükte görselleştirebilir. Bununla birlikte, biyolojik yolların, hastalık patogenezinin ve atomik veya amino asit düzeyinde terapötik dağıtımın altında yatan moleküler etkileşimlerin etkileşimini ve dinamiklerini yakalamak zordur. Burada, MD simülasyonlarının lipid membranları inceleme yetenekleri ve bu sistemleri tasarlamak, inşa etmek, çalıştırmak ve analiz etmek için ana adımlar tartışılmıştır. Bu hesaplama yönteminin avantajı, membran arayüzündeki moleküler mekanizmaları önermek ve karakterize etmek için moleküler etkileşimleri modelleyen atomistik detay ve altta yatan denklemlerdir.

Hücre zarlarını simüle ederken kritik bir adım, incelenecek biyolojik sistemin sağlam bir şekilde anlaşılmasıdır. Dahil edilecek lipid türleri organizmaya, hücresel bölmeye ve en önemlisi çalışılacak sürece bağlıdır. Simetrik membranlarla yapılan simülasyonlar, yeni başlayan MD kullanıcıları için iyi bir başlangıç noktasıdır. Asimetri, PM gibi membranların bilinen bir özelliği olmasına rağmen, yanal difüzyonu ve yaprakçıklar arasında sterol değişimini düzgün bir şekilde örneklemek için daha uzun simülasyon süreleri gerektirdiğinden potansiyel zorluklar ekler. Asimetri ayrıca her broşürün APL'sinde simülasyon52,53'te dikkatle ele alınması gereken bir uyumsuzluğa neden olur. Bir diğer önemli adım, lipid karışımının karmaşıklığına ve mevcut hesaplama kaynaklarına bağlı olarak simüle edilecek membran yamasının boyutunu belirlemektir; Daha büyük membran yamaları daha uzun bilgi işlem süresi alır ve bu her zaman mümkün olmayabilir. Homojen veya ikili sistemler için en az 150 lipit/broşür boyutu ve daha karmaşık bileşimler için 600'e kadar lipit/broşür boyutu önerilir. Membran modeli protein-membran çalışmaları için kullanılıyorsa, iyi bir kural, proteinin en uzun boyutunun 2-3 katı arasında yer alabilen bir membran yaması yapmaktır. Küçük molekülleri incelerken, sonlu boyut etkilerinden kaçınmak için yama boyutu kapsamı %30-40'ın altında kalmalıdır. Dengeyi belirlemek için metriğe bağlı olarak, karmaşık lipid karışımları, saf lipid veya ikili karışımlara kıyasla en az 3 kat daha uzun simülasyon süreleri gerektirebilir.

Biyomoleküler simülasyonlar için başlangıç koordinatlarını ayarlamak için birden fazla seçenek vardır. Yaygın yazılım paketleri arasında GROMACS36, VMD 42, PACKMOL60, Moltemplate 61 ve CHARMM-GUI 62 bulunur. C-GUI, lipid kütüphanesinde çok çeşitli moleküller bulunan bu sistemlerin oluşturulmasını kolaylaştırmak için tasarlanmış web tabanlı bir platformdur. Farklı MD motorları ve kuvvet alanı parametreleri için girdi dosyaları sağlayarak yeni başlayanlar için harika bir başlangıç noktası haline getirir. Oluşturma adımları sırasında C-GUI, tek tek lipid türleri için lipid başına alan tahminlerini sağlar. Karmaşık lipid karışımları (5+ tür) oluştururken, özellikle modelde steroller kullanılıyorsa, bu tahmini% 10 -% 15 oranında artırmak yararlıdır. C-GUI kitaplığında ilgilenilen bir lipit bulunamazsa, yer tutucu olarak yakın bir lipit yapısı kullanılabilir ve ardından sistemin oluşturulmasından ve ilk gevşetilmesinden sonra VMD veya Python komut dosyalarını kullanarak yapıyı değiştirebilir. C36m bir katkı kuvveti alanı63 olduğundan, yeni moleküldeki tüm atom tiplerinin kuvvet alanında mevcut olması koşuluyla, güncellenmiş lipid yapısı için genellikle yeniden parametrelendirmeye gerek yoktur. C-GUI'de bulunan her seçeneğin bu protokolde ele alınmadığına, ancak yeni başlayanlarla ilgili olanların ve alandaki yaygın uygulamalarla uyumlu olanların gösterildiğine dikkat edilmelidir; Gelişmiş seçenekler,geliştiriciler 54,62,64 tarafından ele alınmış ve yayınlanmıştır.

Termodinamik topluluk, sıcaklık ve basınç gibi simülasyon koşulları, çalışmanın doğasına bağlı olacaktır. Bu protokol için koşullar, akışkan fazındaki membran simülasyonları için tipik olan C-GUI'de varsayılanlar olarak tutulmuştur. Jel fazı, biyolojik membranların modellenmesi için arzu edilmez, lipitlerin geçiş sıcaklığının altında meydana gelir ve lipit kuyruklarının bir açıyla paralel hizalanmasıyla tanınması kolaydır. Bu durum farklı çalışma amaçlarına göre ya da varsa işbirlikçilerin deneylerine göre değişebilir. MD çalışmaları sırasında, membran çift katmanları için tipik ayarlar şunları içerir: (1) AA MD'nin hidrojen-oksijen bağlarının en hızlı titreşim hareketleriniyakalaması için 1-4 fs zaman adımı 65; üretim için tipik olarak 2 fs kullanılır, ancak gevşeme ve minimizasyon adımları sırasında 1 fs kullanılır ve HMR 4 kullanılıyorsa51 fs kullanılabilir; (2) 0.05-0.2 ns arasındaki veri kaydetme frekansları yaygın bir uygulamadır; (3) Van der Waal etkileşimleri için 1.0 ve 1.2 nm'lik yumuşak ve sert bir kesme ile Verlet kesme şeması66. Daha büyük kesme yarıçapı ayarlamak, atom çiftleri arasında daha fazla etkileşim hesaplandığından simülasyon performansını düşürür; Bununla birlikte, tipik olarak 2.0-2.4 nm'lik kesmeler gerektiren yanal basınç profillerini hesaplamak için daha büyük bir kesme gereklidir; (4) 1.2 nm'lik bir kesme ile parçacık ağı Edward (PME) şeması67 , uzun menzilli elektrostatik etkileşimler için kullanılır; (5) LINCS algoritması68 , hidrojen bağlarını sınırlamak için GROMACS'ta kullanılır; (6) ortak bir basınç kontrolörü, çift katmanlar için yarı izotropik olarak uygulanan Parrinello-Rahman barostatıdır; (7) ortak bir sıcaklık kontrolörü Nose-Hoover termostatıdır. Simülasyonda kullanılabilecek ve etüdün niteliğine bağlı olarak birden fazla barostat ve termostat türü olduğunu unutmayın69.

APL, membran kalınlığı ve sterol flip-flop, bir sistemin termal dengeye ulaşıp ulaşmadığını belirlemek için yaygın ölçümlerdir ve bu, seçilen metriğe bağlı olarak saf çift katmanlar için 50 ns'den karmaşık asimetrik karışımlar için 4000 ns'ye kadar değişebilir. Çift katmanın mekanik, yapısal ve dinamik özelliklerinin analizi, dengeye ulaşıldıktan sonra, yani ilgilenilen özellik bir platoya ulaştığında ve ortalama bir değere göre dalgalandığında hesaplanmalıdır. Üretim aşaması olarak da bilinen yörüngenin dengelenmiş kısmı, uygun istatistiksel analiz ve belirsizlik tahminleri için en az 100 ns uzunluğunda olmalıdır. Simülasyondan hesaplanabilen yaygın membran özellikleri arasında, bunlarla sınırlı olmamak üzere, döteryum mertebe parametreleri, elektron yoğunluğu profilleri, radyal dağılım fonksiyonları, lipit kuyruklarının veya kafa gruplarının eğim açıları, sıkıştırılabilirlik modülü, lipid rotasyonunun gevşeme süreleri, bükülme modülü, yanal basınç profilleri, lipid kümelenme modelleri ve membran arayüzünün yakınındaki su dinamikleri35,70, 71; Moradi ve arkadaşları tarafından yapılan bir inceleme, bunlardan bazılarını daha ayrıntılı olarak açıklamaktadır70. Bu analizler, GROMACS ve VMD'nin yerleşik analitik araçlarıyla veya Python, Bash veya TCL komut dosyası kullanılarak gerçekleştirilebilir. Simülasyon yörüngelerinin analizini kolaylaştıran MDAnalysis 72,73, MDTraj 74, Pysimm 75, Pyemma 76 ve PyLipID 77 gibi birçok açık kaynaklı Python kitaplığı da vardır.

Bu protokol, bir çalışmanın amacı, büyük zar yamaları ile etkileşime giren büyük proteinlerin dinamiklerini karakterize etmekse, hesaplama açısından zorlu olan tüm atom yaklaşımına odaklanmıştır. Bununla birlikte, hesaplama gücündeki artış ve grafik birim işlemcilerinin (GPU'lar) kullanımı, daha büyük sistemlerin simülasyonlarını desteklemiştir. MD simülasyonları, deneysel değerleri doğru bir şekilde yeniden üreten özellik ortalamalarını hesaplamak için yeterli sistem konformasyonu örneklemesini gerektirir. Gerçekçi membran modellemesi, diğer biyomoleküllerin etkileşimini doğrudan etkileyen ve nadir olayların örneklenmesini kolaylaştıran ilgilenilen hücre zarı için doğru bir mekanik ve yapısal ortamı yeniden üretmeyi amaçlar78,79,80. Verileri yorumlarken, model sistemlerin yalnızca simülasyonun bir eseri olmadığını veya fizyolojik olmayan olaylar oluşturmadığını doğrulamak için gözlemleri deneysel eğilimlerle veya benzer sistemler için gerçek değerlerle doğrulamaya dikkat edilmelidir78. Sonuç olarak, MD simülasyonları, istatistiksel termodinamiğe dayalı moleküler etkileşimleri incelemek için güçlü bir modeldir. MD simülasyonları, lipid çeşitliliğinin membranın yapısal ve mekanik özellikleri üzerindeki etkilerini incelemek için kullanılabilir ve bu da hücresel süreçler sırasında biyomoleküllerle farklı etkileşimlere neden olur. Protokol, karmaşık lipid membran sistemlerini tasarlamak, oluşturmak, çalıştırmak ve analiz etmek için yeni başlayanlar için uygun bir yaklaşım sağlar. Bu adımlar, yalnızca zar sistemlerinin yanı sıra zar arayüzünün yakınındaki protein veya küçük molekülleri simüle etmeye hizmet eder.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Yazarların ifşa etmek için rekabet eden çıkarları yoktur.

Acknowledgments

Yazarlar, bu makalenin yazımı sırasındaki simülasyon yörüngeleri ve tartışmaları için Jinhui Li ve Ricardo X. Ramirez'e teşekkür eder. O.C., Buffalo Üniversitesi Başkanlık Bursu ve Ulusal Sağlık Enstitüsü'nün Öğrenci Gelişimini En Üst Düzeye Çıkarma Girişimi tarafından desteklenmiştir Eğitim Hibesi 1T32GM144920-01, Margarita L. Dubocovich'e (PI) verildi.

Materials

Name Company Catalog Number Comments
Anaconda3 Anaconda Inc (Python & related libraries) N/A
CHARMM-GUI.org Im lab, Lehigh University N/A
GROMACS GROMACS development team N/A
Linux HPC Cluster UB CCR N/A
MATLAB MathWorks N/A
VMD Theoretical and Computational Biophysics Group N/A

DOWNLOAD MATERIALS LIST

References

  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).

Tags

Gerçekçi Membran Modelleme Kompleks Lipid Karışımları Simülasyon Çalışmaları Hücre Membranları Lipid Türleri Mekanik Özellikler Yapısal Özellikler Membran Kompozisyonu Hücre Sinyalizasyon Süreçleri Hesaplamalı Yaklaşımlar Biyomoleküler Etkileşimler Moleküler Dinamik MD Simülasyonları Lipid Çift Katmanları Başlangıç Dostu Yazılımlar Hidrofobik Ortam Mekanik Ortam Membran Özellikleri Biyomolekül Etkileşimleri
Simülasyon Çalışmalarında Kompleks Lipid Karışımları Kullanılarak Gerçekçi Membran Modellemesi
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Campbell, O., Le, V., Aguirre, A.,… More

Campbell, O., Le, V., Aguirre, A., Monje-Galvan, V. Realistic Membrane Modeling Using Complex Lipid Mixtures in Simulation Studies. J. Vis. Exp. (199), e65712, doi:10.3791/65712 (2023).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter