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

Ligandların Elektron Kriyomikroskopisinden Türetilen Haritalara Modellenmesi

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

Bu protokol, makromoleküllerin kriyoEM haritalarında küçük moleküllü ligandları modellemek için mevcut araçları tanıtır.

Abstract

Bir makromoleküler kompleksteki protein-ligand etkileşimlerinin deşifre edilmesi, moleküler mekanizmayı, altta yatan biyolojik süreçleri ve ilaç geliştirmeyi anlamak için çok önemlidir. Son yıllarda, kriyojenik örnek elektron mikroskobu (cryoEM), makromoleküllerin yapılarını belirlemek ve atoma yakın çözünürlükte ligand bağlanma modunu araştırmak için güçlü bir teknik olarak ortaya çıkmıştır. CryoEM haritalarında protein olmayan moleküllerin tanımlanması ve modellenmesi, ilgilenilen molekül boyunca anizotropik çözünürlük ve verilerdeki doğal gürültü nedeniyle genellikle zordur. Bu makalede, okuyuculara, seçilen makromolekülleri kullanarak ligand tanımlaması, model oluşturma ve atomik koordinatların iyileştirilmesi için şu anda kullanılan çeşitli yazılım ve yöntemler tanıtılmaktadır. Enolaz enzimi ile gösterildiği gibi bir ligandın varlığını tanımlamanın en basit yollarından biri, ligandlı ve ligandsız elde edilen iki haritayı çıkarmaktır. Ligandın ekstra yoğunluğunun, daha yüksek bir eşikte bile fark haritasında öne çıkması muhtemeldir. Metabotropik Glutamat reseptörü mGlu₅ durumunda gösterildiği gibi, bu kadar basit fark haritalarının oluşturulamadığı durumlar vardır. Yakın zamanda tanıtılan Fo-Fc atlama haritasını türetme yöntemi, ligandın varlığını doğrulamak ve göstermek için bir araç olarak hizmet edebilir. Son olarak, iyi çalışılmış β-galaktosidaz örnek olarak, çözünürlüğün cryoEM haritalarında ligandların ve çözücü moleküllerinin modellenmesi üzerindeki etkisi analiz edilmekte ve cryoEM’nin ilaç keşfinde nasıl kullanılabileceğine dair bir bakış sunulmaktadır.

Introduction

Hücreler, sayısız kimyasal reaksiyonu aynı anda ve bağımsız olarak gerçekleştirerek işlevlerini yerine getirirler, her biri çevresel ipuçlarına yanıt olarak hayatta kalmalarını ve uyum sağlamalarını sağlamak için titizlikle düzenlenir. Bu, biyomoleküllerin, özellikle proteinlerin, diğer makromoleküllerin yanı sıra küçük moleküller veya ligandlar ile geçici veya kararlı kompleksler oluşturmasını sağlayan moleküler tanıma ile elde edilir¹. Bu nedenle, protein-ligand etkileşimleri, protein ekspresyonunun ve aktivitesinin düzenlenmesini, substratların ve kofaktörlerin enzimler tarafından tanınmasını ve ayrıca hücrelerin sinyalleri nasıl algıladığını ve ilettiğini^içeren biyolojideki tüm süreçler için temeldir ^1,2. Protein-ligand kompleksinin kinetik, termodinamik ve yapısal özelliklerinin daha iyi anlaşılması, ligand etkileşiminin moleküler temelini ortaya çıkarır ve ayrıca ilaç etkileşimini ve özgüllüğünü optimize ederek rasyonel ilaç tasarımını kolaylaştırır. Protein-ligand etkileşimini incelemek için ekonomik ve daha hızlı bir yaklaşım, çok çeşitli küçük molekülleri sanal olarak tarayan ve bu ligandların hedef proteinlere bağlanma modunu ve afinitesini tahmin eden bir hesaplama yöntemi olan moleküler yerleştirmeyi kullanmaktır³. Bununla birlikte, X-ışını Kırınımı (XRD), Nükleer Manyetik Rezonans (NMR) veya elektron kriyomikroskopisi (cryoEM) ile belirlenen yüksek çözünürlüklü yapılardan elde edilen deneysel kanıtlar, bu tür tahminler için temel kanıtı sağlar ve belirli bir hedef için daha yeni ve daha etkili aktivatörlerin veya inhibitörlerin geliştirilmesine yardımcı olur. Bu makale, tekniğe yaygın olarak atıfta bulunulduğu için ‘cryoEM’ kısaltmasını kullanır. Bununla birlikte, doğru isimlendirmenin seçilmesi konusunda devam eden bir tartışma vardır ve son zamanlarda, numunenin kriyojenik sıcaklıkta olduğunu ve elektronlarla^{görüntülendiğini} belirtmek için kriyojeniknumune Elektron Mikroskopisi (cryoEM) terimi önerilmiştir. Benzer şekilde, cryoEM’den türetilen haritalar elektron potansiyeli, elektrostatik potansiyel veya Coulomb potansiyeli olarak adlandırılmıştır ve basitlik için burada cryoEM haritaları 5,6,7,8,9,10 kullanıyoruz.

XRD, protein-ligand komplekslerinin yüksek çözünürlüklü yapı tayininde altın standart teknik olmasına rağmen, son birkaç yılda Elektron Mikroskobu Veritabanında (EMDB)^12,13 biriken Coulomb potansiyel haritalarının veya kriyoEM haritalarının dalgalanmasıyla gösterildiği gibi, çözünürlük devrimi^{sonrası 11} kriyoEM ivme kazanmıştır¹⁴. Numune hazırlama, görüntüleme ve veri işleme yöntemlerindeki ilerlemeler sayesinde, kriyoEM kullanan Protein Veri Bankası (PDB)¹⁴ birikimlerinin sayısı 2010 ve 2020 yılları arasında %0,7’den %17’ye yükselmiştir ve 2020’de rapor edilen yapıların yaklaşık %50’si 3,5 şveya daha iyi çözünürlükte belirlenmiştir^15,16. CryoEM, farmasötik endüstrisi de dahil olmak üzere yapısal biyoloji topluluğu tarafından hızla benimsenmiştir, çünkü esnek ve kristal olmayan biyolojik makromoleküllerin, özellikle membran proteinlerinin ve çoklu protein komplekslerinin, atoma yakın çözünürlükte çalışılmasına izin verir, kristalleşme sürecinin üstesinden gelir ve XRD ile yüksek çözünürlüklü yapı tayini için gerekli olan iyi kırınım kristalleri elde eder.

CryoEM haritasındaki ligandın doğru modellenmesi, moleküler düzeyde protein-ligand kompleksinin bir planı olarak hizmet ettiği için çok önemlidir. X-ışını kristalografisinde kullanılan, ligandı elektron yoğunluğu ^{17,18,19,20’ye} sığdırmak veya inşa etmek için ligand yoğunluğunun şekline ve topolojisine bağlı olan birkaç otomatik ligand oluşturma aracı vardır. Bununla birlikte, çözünürlük 3 Å’den düşükse, bu yaklaşımlar daha az arzu edilen sonuçlar üretme eğilimindedir, çünkü tanıma ve oluşturma için bağlı oldukları topolojik özellikler daha az tanımlanmış hale gelir. Birçok durumda, bu haritalar düşük-orta çözünürlük aralığında, tipik olarak 3.5 Å-5 Å¹⁷ arasında belirlendiğinden, bu yöntemlerin ligandları cryoEM haritalarına doğru bir şekilde modellemede etkisiz olduğu kanıtlanmıştır.

CryoEM ile bir protein-ligand kompleksinin 3D yapı tayinindeki ilk adım, ligandın protein ile birlikte saflaştırılmasını (ligandın proteine yüksek bir bağlanma afinitesine sahip olduğunda) veya protein çözeltisinin ızgara hazırlığından önce belirli bir süre ligand ile inkübe edilmesini içerir. Daha sonra, plazma ile temizlenmiş delikli bir TEM ızgarasına küçük bir numune hacmi yerleştirilir, ardından sıvı etan içinde hızlı dondurma ve son olarak bir kriyo-TEM ile görüntüleme yapılır. Yüz binlerce ila milyonlarca bireysel parçacıktan gelen 2D projeksiyon görüntülerinin ortalaması, makromolekülün 3 boyutlu (3D) Coulomb potansiyel haritasını yeniden oluşturmak için alınır. Bu haritalardaki ligandların ve çözücü moleküllerinin tanımlanması ve modellenmesi, harita boyunca anizotropik çözünürlük (yani, çözünürlük makromolekül boyunca aynı değildir), ligandın bağlı olduğu bölgedeki esneklik ve verilerdeki gürültü nedeniyle birçok durumda önemli zorluklar ortaya çıkarmaktadır. XRD için geliştirilen modelleme, iyileştirme ve görselleştirme araçlarının çoğu şimdi aynı amaçlar için cryoEM’de kullanılmak üzere uyarlanmaktadır 18,19,20,21. Bu makalede, ligandları tanımlamak, modeller oluşturmak ve cryoEM’den türetilen koordinatları iyileştirmek için şu anda kullanılan çeşitli yöntemlere ve yazılımlara genel bir bakış sunulmaktadır. Değişen çözünürlük ve karmaşıklığa sahip spesifik protein-ligand kompleksleri kullanılarak ligandların modellenmesinde yer alan süreçleri göstermek için adım adım bir protokol sağlanmıştır.

CryoEM haritalarında ligandların modellenmesindeki ilk adım, haritadaki ligand yoğunluğunun (protein olmayan) tanımlanmasını içerir. Ligand bağlanması proteinde herhangi bir konformasyonel değişikliğe neden olmazsa, protein-ligand kompleksi ile apo-protein arasındaki basit bir fark haritasının hesaplanması, ligandın varlığını düşündüren ekstra yoğunluk bölgelerini esasen vurgular. Bu tür farklılıklar hemen gözlemlenebilir, çünkü sadece iki harita gerektirir ve hatta ligandın mevcut olup olmadığını kontrol etmek için 3D iyileştirme işlemi sırasında ara haritalar bile kullanılabilir. Ek olarak, çözünürlük yeterince yüksekse (<3.0 Å), fark haritası, su moleküllerinin yanı sıra ligand ve protein kalıntıları ile etkileşime giren iyonların konumu hakkında da bilgi sağlayabilir.

Apo-protein haritasının yokluğunda^{, bağımsız} bir araç olarak mevcut olan ve ayrıca Refmac iyileştirmesinin bir parçası olarak CCP-EM yazılım paketi 23,24’e ve CCP4 8.0 sürüm 25,26’ya entegre edilmiş olan Servalcat^22’yi kullanmak artık mümkün. Servalcat, keskinleştirilmemiş yarım haritaları ve apoprotein modelini girdi olarak kullanarak bir FSC ağırlıklı fark (Fo-Fc) haritasının hesaplanmasına izin verir. Fo-Fc atlama haritası, deneysel harita (Fo) ile modelden türetilen harita (Fc) arasındaki eşitsizliği temsil eder. Modelde bir ligandın yokluğunda, deneysel EM haritasıyla örtüşen bir Fo-Fc haritasındaki pozitif bir yoğunluk tipik olarak ligandın varlığını gösterir. Buradaki varsayım, protein zincirinin haritaya iyi bir şekilde oturduğu ve kalan pozitif yoğunluğun ligandın yerini gösterdiğidir. Bununla birlikte, pozitif yoğunluğun, bir protein yan zincirinin yanlış döndürücüsü gibi modelleme hatalarından kaynaklanıp kaynaklanmadığını titizlikle incelemek önemlidir.

İkinci adım, mevcut kimyasal bilgilerden iyi tanımlanmış geometriye sahip ligandın kartezyen koordinat dosyasının elde edilmesini veya oluşturulmasını içerir. CCP4 monomer kütüphanesinde zaten mevcut olan standart ligandlar (örneğin, ATP ve NADP⁺), koordinat ve geometri dosyalarını monomer erişim kodları aracılığıyla alarak iyileştirme için kullanılabilir. Bununla birlikte, bilinmeyen veya standart olmayan ligandlar için, geometri dosyalarını oluşturmak için çeşitli araçlar mevcuttur. Örneklerden bazıları arasında Phenix^28’deki eLBOW²⁷ – (elektronik ligand oluşturucu ve optimizasyon tezgahı), Lidia – Coot²⁹, JLigand/ACEDRG^30,31, CCP-EM^23,24, Schrödinger paketi içindeki Glide’ın Ligprep^32-a modülünde yerleşik bir araç bulunmaktadır. Ligand koordinat dosyası daha sonra hem deneysel cryoEM haritası hem de Coot’taki fark haritası tarafından yönlendirilen yoğunluğa yerleştirilir. Bunu, Phoenix^28’de gerçek alan iyileştirmesi veya Refmac^33’te karşılıklı iyileştirme takip eder. İyi bir grafik kartı ve yukarıda belirtilen yazılımla donatılmış bir Linux iş istasyonu veya dizüstü bilgisayar gereklidir. Bu programların çoğu çeşitli süitlere dahil edilmiştir. CCP-EM²⁴ve Phenix²⁸, akademik kullanıcılar tarafından ücretsiz olarak kullanılabilir ve Coot, Refmac5 33,34,35,36, Servalcat, phenix.real_space_refine, vb. dahil olmak üzere bu makalede kullanılan çeşitli araçları içerir. Benzer şekilde, Chimera³⁷ ve ChimeraX³⁸ akademik kullanıcılara ücretsiz lisanslar sağlar.

Protocol

1. Mycobacterium tuberculosis’ten enolazda fosfoenolpiruvat (PEP) modellenmesi PEP-enolaz kompleksinin kriyoEM haritasında ligand yoğunluğunun tanımlanmasıEMDB’deki ek verilerden apo-enolazın keskinleştirilmemiş yarı haritalarını (emd_30988_additional_1.map ve emd_30988_additional_2.map) indirin (bkz. Malzeme Tablosu). ChimeraX’ı açın ( Malzeme Tablosu’na bakın). Araç çubuğundan Aç’a tıklayarak ve…

Representative Results

Örnek 1M. tuberculosis’ten elde edilen enolaz enzimi, glikolizin sondan bir önceki adımını katalize eder ve 2-fosfogliseriatı, çeşitli metabolik yollar için temel bir ara madde olan fosfoenolpiruvata (PEP) dönüştürür44,45. Apo-enolaz ve PEP’e bağlı enolaz örnekleri için CryoEM verileri aynı piksel boyutu olan 1.07 Å’de toplandı ve Relion 3.146,47 ile gör…

Discussion

Mikroskop donanım ve yazılımındaki gelişmeler, son yıllarda cryoEM yapılarının sayısında artışa neden olmuştur. Tek parçacıklı cryoEM’de şu anda elde edilen en yüksek çözünürlük 1.2 Å^57,58,59 olmasına rağmen, yapıların çoğu 3-4 şçözünürlük civarında belirlenmektedir. Orta ila düşük çözünürlüklü haritalarda ligandları modellemek zor olabilir ve genellikle belirsizliklerle dolu olabi…

Divulgations

The authors have nothing to disclose.

Acknowledgements

SJ, DAE-TIFR’den doktora öğrencisi unvanı almıştır ve finansman kabul edilmektedir. KRV, DBT B-Life hibesi DBT/PR12422/MED/31/287/2014 ve Hindistan Hükümeti Atom Enerjisi Departmanı’nın Proje Kimlik No’lu kapsamında desteğini kabul eder. 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).