JoVE Journal > Biology
Summary
Abstract
Introduction
Protocol
Résultats
Discussion
Divulgations
Acknowledgements
Materials
References
Traduction automatique
Please note that all translations are automatically generated. Click here for the English version.
Biologie

Структурно-ориентированное моделирование и отбор проб движения белка транскрипционного фактора вдоль ДНК от ступенчатого шага атомного масштаба до крупнозернистой диффузии

Published: March 01, 2022
doi:
10.3791/63406
, , , ,
1Beijing Computational Science Research Center, 2Shenzhen JL Computational Science and Applied Research Institute, 3School of Medical Informatics and Engineering,Xuzhou Medical University, 4Key Laboratory of Systems Biomedicine (Ministry of Education), Shanghai Center for Systems Biomedicine,Shanghai Jiao Tong University, 5Department of Physics and Astronomy,University of California, Irvine, 6Department of Chemistry,University of California, Irvine, 7NSF-Simons Center for Multiscale Cell Fate Research,University of California, Irvine

Summary

Целью данного протокола является выявление структурной динамики одномерной диффузии белка по ДНК с использованием в качестве образцовой системы растительного транскрипционного фактора WRKY доменного белка. Для этого было реализовано как атомистическое, так и крупнозернистое моделирование молекулярной динамики, а также обширные вычислительные выборки.

Abstract

Одномерное (1-D) скольжение белка транскрипционного фактора (TF) вдоль ДНК необходимо для облегченной диффузии TF для обнаружения целевого участка ДНК для генетической регуляции. Обнаружение разрешения пары оснований (bp) tf, скользящего или наступающего на ДНК, все еще экспериментально сложно. Недавно мы выполнили моделирование молекулярной динамики всех атомов (MD), фиксирующее спонтанное 1-bp степпинг небольшого белка TF домена WRKY вдоль ДНК. Основываясь на 10 мкс ступенчатого пути WRKY, полученном в результате такого моделирования, протокол здесь показывает, как проводить более обширные конформационные выборки систем TF-ДНК путем построения модели состояния Маркова (MSM) для степпинга белка 1-bp с различным количеством микро- и макро-состояний, протестированных для построения MSM. Чтобы исследовать процессный 1-D диффузионный поиск белка TF вместе со структурной основой, протокол дополнительно показывает, как проводить крупнозернистое (CG) MD-моделирование для выборки долгосрочной масштабной динамики системы. Такое CG-моделирование и симуляции особенно полезны для выявления электростатического воздействия белка-ДНК на процессивные диффузионные движения белка TF выше десятков микросекунд по сравнению с субмикросекундами до микросекунд ступенчатыми движениями белка, выявленными в результате моделирования всех атомов.

Introduction

Транскрипционные факторы (TF) ищут целевую ДНК для связывания и регулирования транскрипции генов и связанных с ней действий1. Помимо трехмерной (3D) диффузии, было предложено, чтобы облегченная диффузия TF была необходима для поиска целевой ДНК, в котором белки также могут скользить или прыгать по одномерной (1D) ДНК или прыгать с межсегментальным переносом на ДНК 2,3,4,5,6,7.

В недавнем исследовании мы провели десятки микросекунд (мкс) моделирования молекулярной динамики всеатомного равновесия (MD) на растительном TF – белке домена WRKY на ДНК8. Был зафиксирован полный шаг WRKY на поли-А ДНК в течение микросекунд. Наблюдались движения белка вдоль канавки ДНК и динамика прорыва-риформинга водородных связей (HBs). Хотя такая траектория представляет собой один отобранный путь, общий ландшафт степпинга белка все еще отсутствует. Здесь мы покажем, как расширить вычислительные выборки вокруг первоначально захваченного пути шага белка с помощью построенной модели состояния Маркова (MSM), которая была широко реализована для моделирования различных биомолекулярных систем, включающих существенные конформационные изменения и разделение по шкале времени 9,10,11,12,13,14,15,16, 17,18,19. Цель состоит в том, чтобы выявить конформационный ансамбль и метастабильные состояния диффузии белка TF вдоль ДНК за одну циклическую стадию.

В то время как приведенное выше моделирование MD показывает атомное разрешение движений белка для 1 bp на ДНК, структурная динамика длительной процессивной диффузии TF вдоль ДНК с тем же высоким разрешением едва ли доступна. Однако проведение моделирования крупнозернистых (CG) MD на уровне остатков технически доступно. Шкала времени моделирования CG может быть эффективно расширена до десятков или сотен раз дольше, чем атомное моделирование 20,21,22,23,24,25,26,27,28,29. Здесь мы показываем компьютерное моделирование, проведенное с помощью программного обеспечения CafeMol, разработанного Takada lab30.

В текущем протоколе мы представляем атомное моделирование белка домена WRKY вдоль поли-А ДНК и построение МСМ, которые сосредоточены на выборке шаговых движений белка только для 1 bp вдоль ДНК. Затем мы представляем CG-моделирование и симуляции той же системы белка-ДНК, которые расширяют вычислительную выборку до процессной диффузии белка на десятки бит в секунду по ДНК.

Здесь мы используем программное обеспечение GROMACS 31,32,33 для проведения MD-моделирования и MSMbuilder34 для построения MSM для выборочных конформационных снимков, а также используем VMD 35 для визуализации биомолекул. Протокол требует, чтобы пользователь мог установить и реализовать программное обеспечение, указанное выше. Установка и внедрение программного обеспечения CafeMol30 затем необходимо для проведения моделирования CG MD. Дальнейший анализ траекторий и визуализация также проводятся в VMD.

Protocol

1. Построение модели состояния Маркова (МСМ) на основе атомного моделирования MD Спонтанный белковый ступенчатый путь и сбор начальных структур Используйте ранее полученную 10-мкс полноатомную траекторию MD8 для равномерного извлечения 10000 кадров из «прямо…

Representative Results

Скольжение с вращением или шаг WRKY 1 bp от конструкции MSMВсе конформации белка на ДНК сопоставляются с продольным движением X и углом вращения белка COM вдоль ДНК (см. Рисунок 3A). Линейная связь этих двух степеней указывает на вращательную связь белка домена WRKY на Д…

Discussion

В этой работе рассматривается, как проводить структурное вычислительное моделирование и выборку, чтобы выявить транскрипционный фактор или белок TF, движущийся вдоль ДНК, не только при атомной детализации шага, но и при процессивной диффузии, которая необходима для облегченной диффузи…

Divulgations

The authors have nothing to disclose.

Acknowledgements

Эта работа была поддержана грантами NSFC #11775016 и #11635002. JY был поддержан CMCF UCI через NSF DMS 1763272 и грантОм Фонда Саймонса No 594598 и стартовым фондом от UCI. LTD была поддержана Фондом естественных наук Шанхайского #20ZR1425400 и #21JC1403100. Мы также признаем вычислительную поддержку со стороны Пекинского исследовательского центра вычислительной науки (CSRC).

Materials

CafeMol Kyoto University coarse-grained (CG) simulations
GROMACS University of Groningen Royal Institute of Technology Uppsala University molecular dynamics simulations software
Matlab MathWorks Numerical calculation software
MSMbuilder Stanford University build MSM
VMD UNIVERSITY OF ILLINOIS AT URBANA-CHAMPAIGN molecular visualization program
DOWNLOAD MATERIALS LIST

References

  1. Latchman, D. S. Transcription factors: an overview. The International Journal of Biochemistry & Cell Biology. 29 (12), 1305-1312 (1997).
  2. Berg, O. G., von Hippel, P. H. Selection of DNA binding sites by regulatory proteins. Statistical-mechanical theory and application to operators and promoters. Journal of Molecular Biology. 193 (4), 723-750 (1987).
  3. von Hippel, P. H., Berg, O. G. Facilitated target location in biological systems. The Journal of Biological Chemistry. 264 (2), 675-678 (1989).
  4. Halford, S. E., Marko, J. F. How do site-specific DNA-binding proteins find their targets. Nucleic Acids Research. 32 (10), 3040-3052 (2004).
  5. Slusky, M., Mirny, L. A. Kinetics of protein-DNA interaction: facilitated target location in sequence-dependent potential. Biophysical Journal. 87 (6), 4021-4035 (2004).
  6. Bauer, M., Metzler, R. Generalized facilitated diffusion model for DNA-binding proteins with search and recognition states. Biophysical Journal. 102 (10), 2321-2330 (2012).
  7. Shvets, A. A., Kochugaeva, M. P., Kolomeisky, A. B. Mechanisms of Protein Search for Targets on DNA: Theoretical Insights. Molecules. 23 (9), 2106 (2018).
  8. Dai, L., Xu, Y., Du, Z., Su, X. D., Yu, J. Revealing atomic-scale molecular diffusion of a plant-transcription factor WRKY domain protein along DNA. Proceedings of the National Academy of Sciences of the United States of America. 118 (23), 2102621118 (2021).
  9. Chodera, J. D., Singhal, N., Pande, V. S., Dill, K. A., Swope, W. C. Automatic discovery of metastable states for the construction of Markov models of macromolecular conformational dynamics. The Journal of Chemical Physics. 126 (15), 155101 (2007).
  10. Pan, A. C., Roux, B. Building Markov state models along pathways to determine free energies and rates of transitions. The Journal of Chemical Physics. 129 (6), 064107 (2008).
  11. Bowman, G. R., Huang, X., Pande, V. S. Using generalized ensemble simulations and Markov state models to identify conformational states. Methods. 49 (2), 197-201 (2009).
  12. Prinz, J. H., et al. Markov models of molecular kinetics: Generation and validation. The Journal of chemical physics. 134 (17), 174105 (2011).
  13. Chodera, J. D., Noé, F. Markov state models of biomolecular conformational dynamics. Current Opinion in Structural Biology. 25, 135-144 (2014).
  14. Malmstrom, R. D., Lee, C. T., Van Wart, A. T., Amaro, R. E. On the Application of Molecular-Dynamics Based Markov State Models to Functional Proteins. Journal of Chemical Theory and Computation. 10 (7), 2648-2657 (2014).
  15. Husic, B. E., Pande, V. S. Markov State Models: From an Art to a Science. Journal of the American Chemical Society. 140 (7), 2386-2396 (2018).
  16. Sittel, F., Stock, G. Perspective: Identification of collective variables and metastable states of protein dynamics. The Journal of chemical physics. 149 (15), 150901 (2018).
  17. Wang, W., Cao, S., Zhu, L., Huang, X. Constructing Markov State Models to elucidate the functional conformational changes of complex biomolecules. WIREs Computational Molecular Science. 8, 1343 (2018).
  18. Peng, S., et al. Target search and recognition mechanisms of glycosylase AlkD revealed by scanning FRET-FCS and Markov state models. Proceedings of the National Academy of Sciences of the United States of America. 117 (36), 21889-21895 (2020).
  19. Tian, J., Wang, L., Da, L. T. Atomic resolution of short-range sliding dynamics of thymine DNA glycosylase along DNA minor-groove for lesion recognition. Nucleic Acids Research. 49 (3), 1278-1293 (2021).
  20. Chu, J. -. W., Izveko, S., Voth, G. The multiscale challenge for biomolecular systems: coarse-grained modeling. Molecular Simulation. 32 (3-4), 211-218 (2006).
  21. Marrink, S. J., Risselada, H. J., Yefimov, S., Tieleman, D. P., De Vries, A. H. The MARTINI force field: coarse grained model for biomolecular simulations. The Journal of Physical Chemistry B. 111 (27), 7812-7824 (2007).
  22. Givaty, O., Levy, Y. Protein sliding along DNA: dynamics and structural characterization. Journal of Molecular Biology. 385 (4), 1087-1097 (2009).
  23. Khazanov, N., Levy, Y. Sliding of p53 along DNA can be modulated by its oligomeric state and by cross-talks between its constituent domains. Journal of Molecular Biology. 408 (2), 335-355 (2011).
  24. Riniker, S., Allison, J. R., van Gunsteren, W. F. On developing coarse-grained models for biomolecular simulation: a review. Physical Chemistry Chemical Physics : PCCP. 14 (36), 12423-12430 (2012).
  25. Kmiecik, S., et al. Coarse-Grained Protein Models and Their Applications. Chemical Reviews. 116 (14), 7898-7936 (2006).
  26. Bhattacherjee, A., Krepel, D., Levy, Y. Coarse-grained models for studying protein diffusion along DNA. WIREs Computational Molecular Science. 6, 515-531 (2016).
  27. Wang, J., et al. Machine Learning of Coarse-Grained Molecular Dynamics Force Fields. ACS Central Science. 5 (5), 755-767 (2019).
  28. Joshi, S. Y., Deshmukh, S. A. A review of advancements in coarse-grained molecular dynamics simulations. Molecular Simulation. 47 (10-11), 786-803 (2021).
  29. Bigman, L. S., Greenblatt, H. M., Levy, Y. What Are the Molecular Requirements for Protein Sliding along DNA. The Journal of Physical Chemistry B. 125 (12), 3119-3131 (2021).
  30. Kenzaki, H., et al. CafeMol: A Coarse-Grained Biomolecular Simulator for Simulating Proteins at Work. Journal of Chemical Theory and Computation. 7 (6), 1979-1989 (2011).
  31. Berendsen, H. J. C., vander Spoel, D., van Drunen, R. GROMACS: a message-passing parallel molecular dynamics implementation. Computer Physics Communications. 91 (1-3), 43-56 (1995).
  32. vander Spoel, D., et al. GROMACS: fast, flexible, and free. Journal of Computational Chemistry. 26 (16), 1701-1718 (2005).
  33. Abraham, M. J., et al. GROMACS: High performance molecular simulations through multi-level parallelism from laptops to supercomputers. SoftwareX. 1-2, 19-25 (2015).
  34. Harrigan, M. P., et al. MSMBuilder: Statistical Models for Biomolecular Dynamics. Biophysical journal. 112 (1), 10-15 (2017).
  35. Humphrey, W., Dalke, A., Schulten, K. VMD: visual molecular dynamics. Journal of Molecular Graphics. 14 (1), 33-38 (1996).
  36. Izrailev, S., et al. Steered Molecular Dynamics. Computational Molecular Dynamics: Challenges, Methods, Ideas. 4, 39-65 (1999).
  37. Schlitter, J., Engels, M., Krüger, P. Targeted molecular dynamics: a new approach for searching pathways of conformational transitions. Journal of Molecular Graphics. 12 (2), 84-89 (1994).
  38. Maragliano, L., Fischer, A., Vanden-Eijnden, E., Ciccotti, G. String method in collective variables: minimum free energy paths and isocommittor surfaces. The Journal of Chemical Physics. 125 (2), 24106 (2006).
  39. Weiss, D. R., Levitt, M. Can morphing methods predict intermediate structures. Journal of Molecular Biology. 385 (2), 665-674 (2009).
  40. Xu, Y. P., Xu, H., Wang, B., Su, X. D. Crystal structures of N-terminal WRKY transcription factors and DNA complexes. Protein. 11 (3), 208-213 (2020).
  41. Higham, D. J., Higham, N. J. MATLAB guide. Society for Industrial and Applied Mathematics. , (2016).
  42. Hartigan, J. A., Wong, M. A. Algorithm AS 136: A K-Means Clustering Algorithm. Journal of the Royal Statistical Society. Series C (Applied Statistics). 28 (1), 100-108 (1979).
  43. Gonzalez, T. F. Clustering to minimize the maximum intercluster distance. Theoretical Computer Science. 38, 293-306 (1985).
  44. Zhao, Y., Sheong, F. K., Sun, J., Sander, P., Huang, X. A fast parallel clustering algorithm for molecular simulation trajectories. Journal of Computational Chemistry. 34 (2), 95-104 (2013).
  45. Ivani, I., et al. Parmbsc1: a refined force field for DNA simulations. Nature Methods. 13 (1), 55-58 (2016).
  46. Naritomi, Y., Fuchigami, S. Slow dynamics of a protein backbone in molecular dynamics simulation revealed by time-structure based independent component analysis. The Journal of Chemical Physics. 139 (21), 215102 (2013).
  47. Naritomi, Y., Fuchigami, S. Slow dynamics in protein fluctuations revealed by time-structure based independent component analysis: the case of domain motions. The Journal of Chemical Physics. 134 (6), 065101 (2011).
  48. Pérez-Hernández, G., Paul, F., Giorgino, T., De Fabritiis, G., Noé, F. Identification of slow molecular order parameters for Markov model construction. The Journal of Chemical Physics. 139 (1), 015102 (2013).
  49. McGibbon, R. T., Pande, V. S. Variational cross-validation of slow dynamical modes in molecular kinetics. The Journal of Chemical Physics. 142 (12), 124105 (2015).
  50. Deuflhard, P., Weber, M. Robust Perron cluster analysis in conformation dynamics. Linear Algebra and its Applications. 398, 161-184 (2005).
  51. Silva, D. A., et al. Millisecond dynamics of RNA polymerase II translocation at atomic resolution. Proceedings of the National Academy of Sciences of the United States of America. 111 (21), 7665-7670 (2014).
  52. Swope, W. C., Pitera, J. W., Suits, F. Describing Protein Folding Kinetics by Molecular Dynamics Simulations. 1. Theory. The Journal of Physical Chemistry B. 108 (21), 6571-6581 (2004).
  53. Clementi, C., Nymeyer, H., Onuchic, J. N. Topological and energetic factors: what determines the structural details of the transition state ensemble and "en-route" intermediates for protein folding? An investigation for small globular proteins. Journal of molecular biology. 298 (5), 937-953 (2000).
  54. Hinckley, D. M., Freeman, G. S., Whitmer, J. K., De Pablo, J. J. An experimentally-informed coarse-grained 3-Site-Per-Nucleotide model of DNA: structure, thermodynamics, and dynamics of hybridization. The Journal of chemical physics. 139 (14), 144903 (2013).
  55. Debye, P., Huckel, E. The theory of the electrolyte II-The border law for electrical conductivity. Physikalische Zeitschrift. 24, 305-325 (1923).
  56. Berendsen, H. J., Postma, J. V., van Gunsteren, W. F., DiNola, A., Haak, J. R. Molecular dynamics with coupling to an external bath. The Journal of Chemical Physics. 81, 3684-3690 (1984).
  57. Bowman, G. R. Improved coarse-graining of Markov state models via explicit consideration of statistical uncertainty. The Journal of Chemical Physics. 137 (13), 134111 (2012).
  58. Jain, A., Stock, G. Identifying metastable states of folding proteins. Journal of Chemical Theory and Computation. 8 (10), 3810-3819 (2012).
  59. Röblitz, S., Weber, M. Fuzzy spectral clustering by PCCA+: application to Markov state models and data classification. Advances in Data Analysis and Classification. 7, 147-179 (2013).
  60. Mardt, A., Pasquali, L., Wu, H., Noé, F. VAMPnets for deep learning of molecular kinetics. Nature Communications. 9 (1), 5 (2018).
  61. Wang, W., Liang, T., Sheong, F. K., Fan, X., Huang, X. An efficient Bayesian kinetic lumping algorithm to identify metastable conformational states via Gibbs sampling. The Journal of Chemical Physics. 149 (7), 072337 (2018).
  62. Chen, W., Sidky, H., Ferguson, A. L. Nonlinear discovery of slow molecular modes using state-free reversible VAMPnets. The Journal of Chemical Physics. 150 (21), 214114 (2019).
  63. Gu, H., et al. RPnet: a reverse-projection-based neural network for coarse-graining metastable conformational states for protein dynamics. Physical Chemistry Chemical Physics :PCCP. 24 (3), 1462-1474 (2022).
  64. Lane, T. J., Bowman, G. R., Beauchamp, K., Voelz, V. A., Pande, V. S. Markov state model reveals folding and functional dynamics in ultra-long MD trajectories. Journal of the American Chemical Society. 133 (45), 18413-18419 (2011).
  65. Konovalov, K. A., Unarta, I. C., Cao, S., Goonetilleke, E. C., Huang, X. Markov State Models to Study the Functional Dynamics of Proteins in the Wake of Machine Learning. JACS Au. 1 (9), 1330-1341 (2021).
  66. Cao, S., Montoya-Castillo, A., Wang, W., Markland, T. E., Huang, X. On the advantages of exploiting memory in Markov state models for biomolecular dynamics. The Journal of Chemical Physics. 153 (1), 014105 (2020).
  67. Brandani, G. B., Takada, S. Chromatin remodelers couple inchworm motion with twist-defect formation to slide nucleosomal DNA. PLoS Computational Biology. 14 (11), 1006512 (2018).
  68. Tan, C., Terakawa, T., Takada, S. Dynamic Coupling among Protein Binding, Sliding, and DNA Bending Revealed by Molecular Dynamics. Journal of the American Chemical Society. 138 (27), 8512-8522 (2016).
  69. Terakawa, T., Takada, S. p53 dynamics upon response element recognition explored by molecular simulations. Scientific reports. 5, 17107 (2015).
  70. Brandani, G. B., Niina, T., Tan, C., Takada, S. DNA sliding in nucleosomes via twist defect propagation revealed by molecular simulations. Nucleic Acids Research. 46 (6), 2788-2801 (2018).
  71. Knotts, T. A., Rathore, N., Schwartz, D. C., de Pablo, J. J. A coarse grain model for DNA. The Journal of Chemical Physics. 126 (8), 084901 (2007).
  72. Freeman, G. S., Hinckley, D. M., Lequieu, J. P., Whitmer, J. K., de Pablo, J. J. Coarse-grained modeling of DNA curvature. The Journal of Chemical Physics. 141 (16), 165103 (2014).

Tags

Structure-based SimulationTranscription Factor ProteinDNA DiffusionMarkov State ModelCoarse-grained SimulationAll-atom MD TrajectoryVMDRMSDRotational DegreeK-means ClusteringAtomistic SystemGROMACSTime-independent Component Analysis
check_url/fr/63406?article_type=t

Play Video
PDF
DOI
DOWNLOAD MATERIALS LIST
Citer Cet Article
E, C., Dai, L., Tian, J., Da, L., Yu, J. Structure-Based Simulation and Sampling of Transcription Factor Protein Movements along DNA from Atomic-Scale Stepping to Coarse-Grained Diffusion. J. Vis. Exp. (181), e63406, doi:10.3791/63406 (2022).
Télécharger la Citation
Réimpressions et Autorisations

View Video

✖

To prove you're not a robot, please enter the text in the image below

CAPTCHA Image
Play CAPTCHA Audio
Refresh Image