Modeling Ligands into Maps Derived from Electron Cryomicroscopy

Shaileshanand Jha; Sucharita Bose; Kutti R. Vinothkumar

doi:10.3791/66310

JoVE Journal > Biochemistry

Please note that all translations are automatically generated. Click here for the English version.

Biochimie

Modellierung von Liganden in Karten aus der Elektronenkryomikroskopie

Published: July 19, 2024

doi:

10.3791/66310

Shaileshanand Jha*¹, Sucharita Bose*², Kutti R. Vinothkumar

¹National Centre for Biological Sciences,Tata Institute of Fundamental Research, ²Institute for Stem Cell Science and Regenerative Medicine

Summary

Dieses Protokoll stellt die Werkzeuge vor, die für die Modellierung von niedermolekularen Liganden in KryoEM-Karten von Makromolekülen zur Verfügung stehen.

Abstract

Die Entschlüsselung der Protein-Liganden-Wechselwirkungen in einem makromolekularen Komplex ist entscheidend für das Verständnis des molekularen Mechanismus, der zugrunde liegenden biologischen Prozesse und der Arzneimittelentwicklung. In den letzten Jahren hat sich die kryogene Probenelektronenmikroskopie (KryoEM) zu einer leistungsfähigen Technik entwickelt, um die Strukturen von Makromolekülen zu bestimmen und die Art der Ligandenbindung mit nahezu atomarer Auflösung zu untersuchen. Die Identifizierung und Modellierung von Nicht-Protein-Molekülen in KryoEM-Karten ist aufgrund der anisotropen Auflösung über das interessierende Molekül und des inhärenten Rauschens in den Daten oft eine Herausforderung. In diesem Artikel werden die Leser mit verschiedenen Softwares und Methoden vertraut gemacht, die derzeit zur Identifizierung von Liganden, zur Modellerstellung und zur Verfeinerung atomarer Koordinaten unter Verwendung ausgewählter Makromoleküle verwendet werden. Eine der einfachsten Möglichkeiten, das Vorhandensein eines Liganden zu identifizieren, wie am Enzym Enolase dargestellt, besteht darin, die beiden Karten zu subtrahieren, die mit und ohne Liganden erhalten wurden. Die zusätzliche Dichte des Liganden wird wahrscheinlich auch bei einem höheren Schwellenwert in der Differenzkarte hervorstechen. Es gibt Fälle, wie im Fall des metabotrope Glutamatrezeptors mGlu₅ gezeigt, in denen solche einfachen Differenzkarten nicht erstellt werden können. Die kürzlich vorgestellte Methode zur Ableitung der Fo-Fc-Omit-Map kann als Werkzeug zur Validierung und Demonstration des Vorhandenseins des Liganden dienen. Schließlich wird am Beispiel der gut untersuchten β-Galactosidase der Effekt der Auflösung auf die Modellierung der Liganden und Lösungsmittelmoleküle in KryoEM-Karten analysiert und ein Ausblick darauf gegeben, wie KryoEM in der Wirkstoffforschung eingesetzt werden kann.

Introduction

Zellen erfüllen ihre Funktionen, indem sie unzählige chemische Reaktionen gleichzeitig und unabhängig voneinander durchführen, die jeweils akribisch reguliert werden, um ihr Überleben und ihre Anpassungsfähigkeit als Reaktion auf Umwelteinflüsse zu gewährleisten. Dies wird durch die molekulare Erkennung erreicht, die es Biomolekülen, insbesondere Proteinen, ermöglicht, mit anderen Makromolekülen sowie kleinen Molekülen oder Liganden transiente oder stabile Komplexe zu bilden¹. Daher sind Protein-Liganden-Wechselwirkungen grundlegend für alle Prozesse in der Biologie, einschließlich der Regulation der Proteinexpression und -aktivität, der Erkennung von Substraten und Cofaktoren durch Enzyme sowie der Art und Weise, wie Zellen Signale wahrnehmen und weiterleiten ^1,2. Ein besseres Verständnis der kinetischen, thermodynamischen und strukturellen Eigenschaften des Protein-Liganden-Komplexes enthüllt die molekularen Grundlagen der Ligandeninteraktion und erleichtert auch ein rationales Wirkstoffdesign, indem die Wirkstoffinteraktion und Spezifität optimiert werden. Ein wirtschaftlicher und schnellerer Ansatz zur Untersuchung der Protein-Liganden-Wechselwirkung ist die Verwendung von molekularem Docking, einer computergestützten Methode, die virtuell eine Vielzahl kleiner Moleküle durchleuchtet und den Bindungsmodus und die Affinität dieser Liganden zu Zielproteinen vorhersagt³. Experimentelle Beweise aus hochauflösenden Strukturen, die durch Röntgenbeugung (XRD), Kernspinresonanz (NMR) oder Elektronenkryomikroskopie (KryoEM) bestimmt wurden, liefern jedoch den wesentlichen Beweis für solche Vorhersagen und helfen bei der Entwicklung neuerer und wirksamerer Aktivatoren oder Inhibitoren für ein bestimmtes Ziel. In diesem Artikel wird die Abkürzung “KryoEM” verwendet, da die Technik allgemein genannt wird. Es gibt jedoch eine anhaltende Debatte über die Wahl der richtigen Nomenklatur, und kürzlich wurde der Begriff Kryo-Gen-Probe Electron Microscopy (KryoEM) vorgeschlagen, um anzuzeigen, dass die Probe bei kryogener Temperatur ist und mit Elektronen abgebildet^{wird 4}. In ähnlicher Weise wurden die von der KryoEM abgeleiteten Karten als Elektronenpotential, elektrostatisches Potential oder Coulomb-Potential bezeichnet, und der Einfachheit halber verwenden wir hier die KryoEM-Karten 5,6,7,8,9,10.

Obwohl die XRD die Goldstandardtechnik bei der hochauflösenden Strukturbestimmung von Protein-Liganden-Komplexen war, hat die KryoEM nach der Auflösungsrevolution¹¹ an Dynamik gewonnen, wie der Anstieg der Coulomb-Potentialkarten oder KryoEM-Karten zeigt, die in den letzten Jahren in der Electron Microscopy Database (EMDB)^12,13 hinterlegt wurden¹⁴. Aufgrund von Fortschritten in der Probenvorbereitung, der Bildgebung und den Datenverarbeitungsmethoden stieg die Anzahl der Proteindatenbanken (PDB)¹⁴ mit KryoEM zwischen 2010 und 2020 von 0,7 % auf 17 %, wobei etwa 50 % der im Jahr 2020 gemeldeten Strukturen mit einer Auflösung von 3,5 Å oder besser bestimmt wurden^15,16. Die KryoEM wurde von der Strukturbiologie, einschließlich der pharmazeutischen Industrie, schnell übernommen, da sie die Untersuchung flexibler und nichtkristalliner biologischer Makromoleküle, insbesondere von Membranproteinen und Multiproteinkomplexen, mit nahezu atomarer Auflösung ermöglicht, den Prozess der Kristallisation überwindet und gut beugende Kristalle erhält, die für die hochauflösende Strukturbestimmung durch XRD erforderlich sind.

Eine genaue Modellierung des Liganden in der KryoEM-Karte ist von größter Bedeutung, da er als Bauplan des Protein-Liganden-Komplexes auf molekularer Ebene dient. Es gibt mehrere automatisierte Ligandenbildungswerkzeuge, die in der Röntgenkristallographie verwendet werden und von der Form und Topologie der Ligandendichte abhängen, um den Liganden in die Elektronendichte 17,18,19,20 einzupassen oder aufzubauen. Wenn die Auflösung jedoch kleiner als 3 Å ist, führen diese Ansätze tendenziell zu weniger wünschenswerten Ergebnissen, da die topologischen Merkmale, von denen sie für die Erkennung und Erstellung abhängen, weniger definiert sind. In vielen Fällen haben sich diese Methoden als unwirksam erwiesen, wenn es darum geht, Liganden genau in KryoEM-Karten zu modellieren, da diese Karten im niedrigen bis mittleren Auflösungsbereich bestimmt wurden, typischerweise zwischen 3,5 Å und 5 Å¹⁷.

Der erste Schritt bei der 3D-Strukturbestimmung eines Protein-Liganden-Komplexes durch KryoEM besteht entweder darin, den Liganden mit dem Protein zu co-reinigen (wenn der Ligand eine hohe Bindungsaffinität zum Protein aufweist) oder die Inkubation der Proteinlösung mit dem Liganden für eine bestimmte Zeit vor der Gittervorbereitung. Anschließend wird ein kleines Probenvolumen auf ein plasmagereinigtes, löchriges TEM-Gitter aufgebracht, gefolgt von einem Schockfrosten in flüssigem Ethan und schließlich einer Bildgebung mit einem Kryo-TEM. Die 2D-Projektionsbilder von Hunderttausenden bis Millionen einzelner Teilchen werden gemittelt, um eine 3-dimensionale (3D) Coulomb-Potentialkarte des Makromoleküls zu rekonstruieren. Die Identifizierung und Modellierung von Liganden und Lösungsmittelmolekülen in diesen Karten stellt in vielen Fällen eine große Herausforderung dar, da die anisotrope Auflösung über die gesamte Karte (d. h. die Auflösung ist im gesamten Makromolekül nicht einheitlich), die Flexibilität in der Region, in der der Ligand gebunden ist, und das Rauschen in den Daten zu beachten ist. Viele der Modellierungs-, Verfeinerungs- und Visualisierungswerkzeuge, die für die XRD entwickelt wurden, werden nun für den Einsatz in der KryoEM für die gleichen Zwecke angepasst 18,19,20,21. In diesem Artikel wird ein Überblick über verschiedene Methoden und Software gegeben, die derzeit zur Identifizierung von Liganden, zum Aufbau von Modellen und zur Verfeinerung der aus der KryoEM abgeleiteten Koordinaten verwendet werden. Es wurde ein Schritt-für-Schritt-Protokoll erstellt, um die Prozesse bei der Modellierung von Liganden unter Verwendung spezifischer Protein-Liganden-Komplexe mit unterschiedlicher Auflösung und Komplexität zu veranschaulichen.

Der erste Schritt bei der Modellierung von Liganden in KryoEM-Karten umfasst die Identifizierung der Ligandendichte (Nicht-Protein) in der Karte. Wenn die Ligandenbindung keine Konformationsänderung im Protein induziert, dann hebt die Berechnung einer einfachen Differenzkarte zwischen dem Protein-Liganden-Komplex und dem Apo-Protein im Wesentlichen die Regionen mit zusätzlicher Dichte hervor, was auf das Vorhandensein des Liganden hindeutet. Solche Unterschiede können sofort beobachtet werden, da nur zwei Karten benötigt werden, und sogar Zwischenkarten während des Prozesses der 3D-Verfeinerung können verwendet werden, um zu überprüfen, ob der Ligand vorhanden ist. Wenn die Auflösung hoch genug ist (<3,0 Å), kann die Differenzkarte auch Einblicke in die Position von Wassermolekülen sowie von Ionen geben, die mit dem Liganden und den Proteinresten interagieren.

In Ermangelung der Apo-Protein-Karte ist es nun möglich, Servalcat²² zu verwenden, das als eigenständiges Tool verfügbar ist und im Rahmen der Refmac-Verfeinerung auch in die CCP-EM-Software-Suite ^23,24 und in CCP4 8.0 Release^25,26 integriert wurde. Servalcat ermöglicht die Berechnung einer FSC-gewichteten Differenzkarte (Fo-Fc) unter Verwendung der ungeschärften Halbkarten und des Apoproteinmodells als Eingabe. Die Fo-Fc-Auslassungskarte stellt die Diskrepanz zwischen der experimentellen Karte (Fo) und der vom Modell abgeleiteten Karte (Fc) dar. In Ermangelung eines Liganden im Modell deutet eine positive Dichte in einer Fo-Fc-Karte, die sich mit der experimentellen EM-Karte überschneidet, typischerweise auf das Vorhandensein des Liganden hin. Hier wird davon ausgegangen, dass die Proteinkette gut in die Karte eingepasst ist, und die verbleibende positive Dichte gibt an, wo sich der Ligand befindet. Es ist jedoch wichtig, akribisch zu untersuchen, ob die positive Dichte auf Modellierungsungenauigkeiten zurückzuführen ist, wie z. B. das falsche Rotamer einer Proteinseitenkette.

Der zweite Schritt besteht darin, aus den verfügbaren chemischen Informationen eine kartesische Koordinatendatei des Liganden mit wohldefinierter Geometrie zu erhalten oder zu erstellen. Standardliganden (z. B. ATP und NADP⁺), die bereits in der CCP4-Monomerbibliothek verfügbar sind, können zur Verfeinerung verwendet werden, indem die Koordinaten- und Geometriedateien über ihren Monomer-Zugangscode abgerufen werden. Für unbekannte oder nicht standardmäßige Liganden stehen jedoch verschiedene Werkzeuge zur Verfügung, um die Geometriedateien zu erstellen. Einige der Beispiele sind der eLBOW²⁷ – (Electronic Ligand Builder and Optimization Workbench) in Phenix²⁸, Lidia – ein eingebautes Tool in Coot²⁹, JLigand/ACEDRG^30,31, CCP-EM^23,24, Ligprep³² – ein Modul von Glide innerhalb der Schrödinger-Suite. Die Ligandenkoordinatendatei wird dann in die Dichte eingepasst, wobei sowohl die experimentelle KryoEM-Karte als auch die Differenzkarte in Coot verwendet werden. Darauf folgt die Realraumverfeinerung in Phenix²⁸ bzw. die reziproke Verfeinerung in Refmac³³. Voraussetzung ist eine Linux-Workstation oder ein Laptop, der mit einer guten Grafikkarte und der oben genannten Software ausgestattet ist. Die meisten dieser Programme sind in verschiedenen Suiten enthalten. CCP-EM²⁴und Phenix²⁸ sind für akademische Benutzer frei verfügbar und enthalten eine Vielzahl von Tools, die in diesem Artikel verwendet werden, darunter Coot, Refmac5 33,34,35,36, Servalcat, phenix.real_space_refine usw. In ähnlicher Weise bieten Chimera³⁷ und ChimeraX³⁸ kostenlose Lizenzen für akademische Benutzer.

Protocol

1. Modellierung von Phosphoenolpyruvat (PEP) in Enolase aus Mycobacterium tuberculosis Identifizierung der Ligandendichte in der KryoEM-Karte des PEP-Enolase-KomplexesLaden Sie die ungeschärften Halbkarten (emd_30988_additional_1.map und emd_30988_additional_2.map) von Apo-Enolase aus den zusätzlichen Daten in EMDB herunter (siehe Materialtabelle). Öffnen Sie ChimeraX (siehe Materialtabelle). Öffnen Sie die Halbkarten von apo-eno…

Representative Results

Beispiel 1Das Enzym Enolase aus M. tuberculosis katalysiert den vorletzten Schritt der Glykolyse und wandelt 2-Phosphoglycerat in Phosphoenolpyruvat (PEP) um, das ein essentielles Zwischenprodukt für mehrere Stoffwechselwege ist44,45. Die KryoEM-Daten für die Apo-Enolase- und PEP-gebundenen Enolase-Proben wurden bei der gleichen Pixelgröße von 1,07 Å erhoben, und die Bildverarbeitung wurde mit Relion 3.146,47</…

Discussion

Die Verbesserungen in der Mikroskop-Hard- und -Software haben in den letzten Jahren zu einer Zunahme der Anzahl von KryoEM-Strukturen geführt. Obwohl die derzeit höchste Auflösung, die in der Einzelpartikel-KryoEM erreicht wird, bei 1,2 Å 57,58,59 liegt, wird der Großteil der Strukturen mit einer Auflösung von etwa 3-4 Å bestimmt. Die Modellierung von Liganden in Karten mit mittlerer bis niedriger Auflösung kann schwieri…

Divulgations

The authors have nothing to disclose.

Acknowledgements

SJ ist Empfänger des PhD-Stipendiums von DAE-TIFR, und die Finanzierung wird anerkannt. KRV bedankt sich für den DBT B-Life-Zuschuss DBT/PR12422/MED/31/287/2014 und die Unterstützung des Ministeriums für Atomenergie der indischen Regierung unter der Projektidentifikationsnummer RTI4006.

Materials

CCP4-8.0	Consortium of several institutes	https://www.ccp4.ac.uk	Free for academic users and includes Coot and list of tools developed for X-ray crystallography
CCP-EM	Consortium of several institutes	https://www.ccpem.ac.uk/download.php	Free for academic users and includes Coot, Relion and many others
Coot	Paul Emsley, LMB, Cambridge	https://www2.mrc-lmb.cam.ac.uk/personal/pemsley/coot/	General software for model building but also available with other suites described above
DockinMap (Phenix)	Consortium of several institutes	https://phenix-online.org/documentation/reference/dock_in_map.html	Software inside the Phenix suite for docking model into cryoEM maps
Electron Microscopy Data Bank	Consortium of several institutes	https://www.ebi.ac.uk/emdb/	Public Repository for Electron Microscopy maps
Falcon	Thermo Fisher Scientific	https://assets.thermofisher.com/TFS-Assets/MSD/Technical-Notes/Falcon-3EC-Datasheet.pdf	Commercial, camera from Thermo Fisher
Phenix	Consortium of several institutes	https://phenix-online.org/download	Free for academic users and includes Coot
Protein Data Bank	Consortium of several institutes	https://rcsb.org	Public database of macromolecular structures
Pymol	Schrodinger	https://pymol.org/2/	Molecular viusalization tool. Educational version is free but comes with limitation. The full version can be obtained with a small fee.
Relion	MRC-LMB, Cambridge	https://relion.readthedocs.io/en/release-4.0/Installation.html	Software for cryoEM image processing, also available with CCP-EM
Titan Krios	Thermo Fisher Scientific	https://www.thermofisher.com/in/en/home/electron-microscopy/products/transmission-electron-microscopes/krios-g4-cryo-tem.html?cid=msd_ls_xbu_xmkt_tem-krios_285811_gl_pso_gaw_tpne1c& gad_source=1&gclid=CjwKCAiA-P-rBhBEEiwAQEXhHyw5c8MKThmdA AkZesWC4FYQSwIQRk ZApkj08MfYG040DtiiuL8 RihoCebEQAvD_BwE	Commercial, cryoTEM from Thermo Fisher
UCSF Chimera	UCSF, USA	https://www.cgl.ucsf.edu/chimera/download.html	General purpose software for display, analysis and more
UCSF Chimera X	UCSF, USA	https://www.cgl.ucsf.edu/chimerax/	General purpose software for display, analysis and more

References

Steinbrecher, T., Labahn, A. Towards accurate free energy calculations in ligand protein-binding studies. Curr Med Chem. 17, 767-785 (2010).
Fu, Y., Zhao, J., Chen, Z. Insights into the molecular mechanisms of protein-ligand interactions by molecular docking and molecular dynamics simulation: a case of oligopeptide binding protein. Comput Math Methods Med. 4, 3502514 (2018).
Grinter, S. Z., Zou, X. Challenges, applications, and recent advances of protein-ligand docking in structure-based drug design. Molecules. 19 (7), 10150-10176 (2014).
Henderson, R., Hasnain, S. Cryo-EM’: electron cryomicroscopy, cryo electron microscopy or something else. IUCrJ. 10 (5), 519-520 (2023).
Rosenthal, P. B. A potential difference for single-particle cryo-EM. IUCrJ. 6, 988-989 (2019).
Wang, J., Moore, P. B. On the interpretation of electron microscopic maps of biological macromolecules. Prot Sci. 26 (1), 122-129 (2017).
Murshudov, G. N. Refinement of atomic structures against cryo-EM Maps. Meth Enzymol. 579, 277-305 (2016).
Kulik, M., Chodkiewicz, M. L., Dominiak, P. M. Theoretical 3D electron diffraction electrostatic potential maps of proteins modeled with a multipolar pseudoatom data bank. Acta Crystallogr D Struct Biol. 78 (8), 1010-1020 (2022).
Yonekura, K., Kato, K., Ogasawara, M., Tomita, M., Toyoshima, C. Electron crystallography of ultrathin 3D protein crystals: Atomic model with charges. Proc Natl Acad Sci U S A. 112 (11), 3368-3373 (2015).
Mu, X., Gillman, C., Nguyen, C., Gonen, T. An overview of microcrystal electron diffraction (MicroED). Annu Rev Biochem. 90, 431-450 (2021).
Kühlbrandt, W. The resolution revolution. Science. 343 (6178), 1443-1444 (2014).
Lawson, C. L., et al. EMDataBank unified data resource for 3DEM. Nucleic Acids Res. 44, 396-403 (2016).
Lees, J. A., Dias, J. M., Han, S. Applications of Cryo-EM in small molecule and biologics drug design. Biochem Soc Trans. 49 (6), 2627-2638 (2021).
Robertson, M. J., Meyerowitz, J. G., Skiniotis, G. Drug discovery in the era of cryo-electron microscopy. Trends Biochem Sci. 47 (2), 124-135 (2022).
Muenks, A., Zepeda, S., Zhou, G., Veesler, D., DiMaio, F. Automatic and accurate ligand structure determination guided by cryo-electron microscopy maps. Nat Commun. 14, 1164 (2023).
Oldfield, T. J. X-ligand: An application for the automated addition of flexible ligands into electron density. Acta Crystallogr D Biol Crystallogr. 57 (5), 696-705 (2001).
Zwart, P. H., Langer, G. G., Lamzin, V. S. Modelling bound ligands in protein crystal structures. Acta Crystallogr D Biol Crystallogr. 60, 2230-2239 (2004).
Terwilliger, T. C., Klei, H., Adams, P. D., Moriarty, N. W., Cohn, J. D. Automated ligand fitting by core-fragment fitting and extension into density. Acta Crystallogr D Biol Crystallogr. 62 (8), 915-922 (2006).
Casañal, A., Lohkamp, B., Emsley, P. Current developments in Coot for macromolecular model building of Electron Cryo-microscopy and Crystallographic Data. Prot Sci. 29 (4), 1069-1078 (2020).
Yamashita, K., Palmer, C. M., Burnley, T., Murshudov, G. N. Cryo-EM single-particle structure refinement and map calculation using Servalcat. Acta Crystallogr D Struct Biol. 77 (10), 1282-1291 (2021).
Wood, C. Collaborative computational project for electron cryo-microscopy. Acta Crystallogr D Biol Crystallogr. 71 (1), 123-126 (2015).
Burnley, T., Palmer, C. M., Winn, M. Recent developments in the CCP-EM software suite. Acta Crystallogr D Struct Biol. 73 (6), 469-477 (2017).
Potterton, E., McNicholas, S., Krissinel, E., Cowtan, K., Noble, M. The CCP4 molecular-graphics project. Acta Crystallogr D Biol Crystallogr. 58 (11), 1955-1957 (2002).
Agirre, J. The CCP4 suite: Integrative software for macromolecular crystallography. Acta Crystallogr D Struct Biol. 79 (6), 449-461 (2023).
Moriarty, N. W., Grosse-Kunstleve, R. W., Adams, P. D. Electronic ligand builder and optimization workbench (eLBOW): A tool for ligand coordinate and restraint generation. Acta Crystallogr D Biol Crystallogr. 65 (10), 1074-1080 (2009).
Adams, P. D. A comprehensive Python-based system for macromolecular structure solution. Acta Crystallogr D Biol Crystallogr. 66 (2), 213-221 (2010).
Emsley, P., Cowtan, K. Coot: Model-building tools for molecular graphics. Acta Crystallogr D Biol Crystallogr. 60 (12), 2126-2132 (2004).
Debreczeni, J. &. #. 2. 0. 1. ;., Emsley, P. Handling ligands with Coot. Acta Crystallogr D Biol Crystallogr. 68 (4), 425-430 (2012).
Long, F., et al. AceDRG: A stereochemical description generator for ligands. Acta Crystallogr D Struct Biol. 73 (2), 112-122 (2017).
Schrödinger. LigPrep. Schrödinger Release 2022-1: Schrödinger, LLC. , (2022).
Brown, A. Tools for macromolecular model building and refinement into electron cryo-microscopy reconstructions. Acta Crystallogr D Biol Crystallogr. 71 (1), 136-153 (2015).
Murshudov, G. N., Vagin, A. A., Dodson, E. J. Refinement of macromolecular structures by the maximum-likelihood method. Acta Crystallogr D Biol Crystallogr. 53, 240-255 (1997).
Kovalevskiy, O., Nicholls, R. A., Long, F., Carlon, A., Murshudov, G. N. Overview of refinement procedures within REFMAC 5: Utilizing data from different sources. Acta Crystallogr D Struct Biol. 74 (3), 215-227 (2018).
Winn, M. D., et al. Overview of the CCP4 suite and current developments. Acta Crystallogr D Biol Crystallogr. 67 (4), 235-242 (2011).
Pettersen, E. F., et al. UCSF Chimera – A visualization system for exploratory research and analysis. J Comput Chem. 25 (13), 1605-1612 (2004).
Pettersen, E. F., et al. UCSF ChimeraX: Structure visualization for researchers, educators, and developers. Prot Sci. 30 (1), 70-82 (2021).
Lamb, A. L., Kappock, T. J., Silvaggi, N. R. You are lost without a map: Navigating the sea of protein structures. Biochim Biophys Acta Proteins Proteom. 1854 (4), 256-268 (2015).
Ehinger, S., Schubert, W. D., Bergmann, S., Hammerschmidt, S., Heinz, D. W. Plasmin(ogen)-binding α-Enolase from streptococcus pneumoniae: Crystal structure and evaluation of plasmin(ogen)-binding sites. J Mol Biol. 343 (4), 997-1005 (2004).
Tjia-Fleck, S., Readnour, B. M., Ayinuola, Y. A., Castellino, F. J. High-Resolution single-particle cryo-EM hydrated structure of streptococcus pyogenes enolase offers insights into its function as a plasminogen receptor. Biochimie. 62 (3), 735-746 (2023).
Pfab, J., Si, D. Automated threshold selection for cryo-EM density maps. ACM-BCB 2019. Proceedings of the 10th ACM International Conference on Bioinformatics, Computational Biology and Health Informatics. , 161-166 (2019).
Rahi, A., et al. Enolase of Mycobacterium tuberculosis is a surface exposed plasminogen binding protein. Biochim Biophys Acta Gen Subj. 1861 (1), 3355-3364 (2017).
Henderson, B., Martin, A. Bacterial virulence in the moonlight: Multitasking bacterial moonlighting proteins are virulence determinants in infectious disease. Infect Immun. 79 (9), 3476-3491 (2011).
Scheres, S. H. W. A bayesian view on cryo-EM structure determination. J Mol Biol. 415 (2), 406-418 (2012).
Zivanov, J., et al. New tools for automated high-resolution cryo-EM structure determination in RELION-3. Elife. 7, 42166 (2018).
Mohammed, A., et al. Structural snapshots of Mycobacterium tuberculosis enolase reveal dual mode of 2PG binding and its implication in enzyme catalysis. IUCrJ. 10 (6), 738-753 (2023).
Berman, H. M., et al. The Protein Data Bank. Nucleic Acids Res. 28 (1), 3-21 (2000).
Nasrallah, C. Agonists and allosteric modulators promote signaling from different metabotropic glutamate receptor 5 conformations. Cell Rep. 36 (9), 109648 (2021).
Doak, B. C., Norton, R. S., Scanlon, M. J. The ways and means of fragment-based drug design. Pharmacol Ther. 167, 28-37 (2016).
Baker, M. Fragment-based lead discovery grows up. Nat Rev Drug Discov. 12 (1), 5-7 (2013).
Kirsch, P., Hartman, A. M., Hirsch, A. K. H., Empting, M. Concepts and core principles of fragment-based drug design. Molecules. 24 (3), 4309 (2019).
Bartesaghi, A., et al. 2.2 Å resolution cryo-EM structure of β-galactosidase in complex with a cell-permeant inhibitor. Science. 348 (6239), 1147-1151 (2015).
Saur, M. Fragment-based drug discovery using cryo-EM. Drug Discov Today. 25 (3), 485-490 (2020).
Maki-Yonekura, S., Kawakami, K., Takaba, K., Hamaguchi, T., Yonekura, K. Measurement of charges and chemical bonding in a cryo-EM structure. Commun Chem. 6 (1), 98 (2023).
Yip, K. M., Fischer, N., Paknia, E., Chari, A., Stark, H. Atomic-resolution protein structure determination by cryo-EM. Nature. 587 (7832), 157-161 (2020).
Nakane, T. Single-particle cryo-EM at atomic resolution. Nature. 587 (7832), 152-156 (2020).
Pintilie, G. Measurement of atom resolvability in cryo-EM maps with Q-scores. Nat Methods. 17 (3), 328-334 (2020).
Punjani, A., Rubinstein, J. L., Fleet, D. J., Brubaker, M. A. CryoSPARC: Algorithms for rapid unsupervised cryo-EM structure determination. Nat Methods. 14 (3), 290-296 (2017).
Koehl, A. Structural insights into the activation of metabotropic glutamate receptors. Nature. 566 (7742), 79-84 (2019).
Scheres, S. H. W. Classification of structural heterogeneity by maximum-likelihood methods. Meth Enzymol. 482, 295-320 (2010).
Carugo, O. Atomic displacement parameters in structural biology. Amino Acids. 50 (7), 775-786 (2018).
Wlodawer, A., Li, M., Dauter, Z. High-resolution Cryo-EM maps and models: A crystallographer’s perspective. Structure. 25 (10), 1589-1597 (2017).
Masmaliyeva, R. C., Babai, K. H., Murshudov, G. N. Local and global analysis of macromolecular atomic displacement parameters. Acta Crystallogr D Struct Biol. 76 (10), 926-937 (2020).
Merritt, E. A. To B or not to B: A question of resolution. Acta Crystallogr D Biol Crystallogr. 68 (4), 468-477 (2012).
Afonine, P. V., et al. Real-space refinement in PHENIX for cryo-EM and crystallography. Acta Crystallogr D Struct Biol. 74 (60), 531-544 (2018).
Roberts on, M. J., van Zundert, G. C. P., Borrelli, K., Skiniotis, G. GemSpot: A pipeline for robust modeling of ligands into Cryo-EM maps. Structure. 28 (6), 707-716 (2020).
Weis, F., Hagen, W. J. H. Combining high throughput and high quality for cryo-electron microscopy data collection. Acta Crystallogr D Struct Biol. 76 (8), 724-728 (2020).

Play Video

PDF

DOI

DOWNLOAD MATERIALS LIST

Citer Cet Article

Jha, S., Bose, S., Vinothkumar, K. R. Modeling Ligands into Maps Derived from Electron Cryomicroscopy. J. Vis. Exp. (209), e66310, doi:10.3791/66310 (2024).