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.

Bioquímica

Моделирование лигандов в карты, полученные с помощью электронной криомикроскопии

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

Этот протокол знакомит с инструментами, доступными для моделирования низкомолекулярных лигандов в криоЭМ-картах макромолекул.

Abstract

Расшифровка белок-лигандных взаимодействий в макромолекулярном комплексе имеет решающее значение для понимания молекулярного механизма, лежащих в основе биологических процессов и разработки лекарств. В последние годы криогенная электронная микроскопия образцов (криоЭМ) стала мощным методом определения структур макромолекул и исследования режима связывания лигандов с разрешением, близким к атомному. Идентификация и моделирование небелковых молекул на картах cryoEM часто является сложной задачей из-за анизотропного разрешения на интересующей молекуле и присущего данных шума. В этой статье читатели знакомятся с различными программами и методами, используемыми в настоящее время для идентификации лигандов, построения моделей и уточнения атомных координат с использованием выбранных макромолекул. Одним из простейших способов идентификации присутствия лиганда, как показано на примере фермента енолазы, является вычитание двух карт, полученных с лигандом и без него. Дополнительная плотность лиганда, вероятно, будет выделяться на карте различий даже при более высоком пороге. Существуют случаи, как показано в случае метаботропного глутаматного рецептора mGlu₅, когда такие простые разностные карты не могут быть сгенерированы. Недавно представленный метод получения карты пропуска Fo-Fc может служить инструментом для валидации и демонстрации присутствия лиганда. Наконец, на примере хорошо изученной β-галактозидазы анализируется влияние разрешения на моделирование лигандов и молекул растворителей в картах криоЭМ, а также представлен взгляд на то, как криоЭМ может быть использован в разработке лекарств.

Introduction

Клетки выполняют свои функции, осуществляя бесчисленные химические реакции одновременно и независимо, каждая из которых тщательно регулируется, чтобы обеспечить их выживание и приспособляемость в ответ на сигналы окружающей среды. Это достигается за счет молекулярного распознавания, которое позволяет биомолекулам, особенно белкам, образовывать переходные или стабильные комплексы с другими макромолекулами, а также с малыми молекулами или лигандами^. Таким образом, белок-лигандные взаимодействия являются фундаментальными для всех процессов в биологии, которые включают регуляцию экспрессии и активности белков, распознавание субстратов и кофакторов ферментами, а также то, как клетки воспринимают и ретранслируют^{сигналы}^. Лучшее понимание кинетических, термодинамических и структурных свойств комплекса белок-лиганд раскрывает молекулярную основу лигандного взаимодействия, а также способствует рациональному дизайну лекарств за счет оптимизации лекарственного взаимодействия и специфичности. Экономичным и быстрым подходом к изучению взаимодействия белка и лиганда является использование молекулярного докинга, который представляет собой вычислительный метод, который виртуально экранирует широкий спектр малых молекул и предсказывает способ связывания и аффинность этих лигандов к белкам-мишеням. Тем не менее, экспериментальные данные о структурах с высоким разрешением, определенных с помощью рентгеновской дифракции (XRD), ядерного магнитного резонанса (ЯМР) или электронной криомикроскопии (криоЭМ), обеспечивают существенное доказательство таких предсказаний и помогают в разработке новых и более эффективных активаторов или ингибиторов для данной мишени. В этой статье используется аббревиатура «cryoEM», как обычно называют эту технику. Тем не менее, в настоящее время ведутся споры о выборе правильной номенклатуры, и в последнее время был предложен термин криогенныйобразец Electron Microscopy (cryoEM) для обозначения того, что образец находится при криогенной температуре и визуализирован электронами⁴. Точно так же отображения, полученные с помощью криоЭМ, называются электронным потенциалом, электростатическим потенциалом или кулоновским потенциалом, и для простоты здесь мы используем криоЭМ карты 5,6,7,8,9,10.

Несмотря на то, что дифрактометрия является золотым стандартом в определении структуры белков-лигандных комплексов с высоким разрешением, криоЭМ после революции^{разрешения 11} набирает обороты, о чем свидетельствует всплеск карт кулоновского потенциала или карт криоЭМ, депонированных в базе данных электронной микроскопии (EMDB^{) за} последние несколько^лет14. Благодаря достижениям в области подготовки образцов, визуализации и обработки данных, количество отложений в Банке данных о белках (PDB)¹⁴ с использованием криоЭМ увеличилось с 0,7% до 17% в период с 2010 по 2020 год, при этом примерно 50% зарегистрированных структур в 2020 году были определены с разрешением 3,5 Å или выше^15,16. CryoEM быстро получила распространение в сообществе структурной биологии, в том числе в фармацевтической промышленности, поскольку она позволяет изучать гибкие и некристаллические биологические макромолекулы, особенно мембранные белки и мультибелковые комплексы, с околоатомным разрешением, преодолевая процесс кристаллизации и получая хорошо дифрагирующие кристаллы, необходимые для определения структуры с высоким разрешением с помощью XRD.

Точное моделирование лиганда на карте криоЭМ имеет первостепенное значение, поскольку он служит схемой комплекса белок-лиганд на молекулярном уровне. Существует несколько автоматизированных инструментов для построения лигандов, используемых в рентгеновской кристаллографии, которые зависят от формы и топологии плотности лиганда, чтобы вписать или построить лиганд в электронную плотность 17,18,19,20. Тем не менее, если разрешение меньше 3 Å, эти подходы, как правило, приводят к менее желательным результатам, поскольку топологические особенности, от которых они зависят при распознавании и построении, становятся менее определенными. Во многих случаях эти методы оказались неэффективными в точном моделировании лигандов в криоЭМ-карты, поскольку эти карты были определены в диапазоне низкого и среднего разрешения, обычно от 3,5 Å до 5 Å¹⁷.

Первый этап 3D-определения структуры комплекса белок-лиганд с помощью криоЭМ включает либо совместную очистку лиганда с белком (когда лиганд имеет высокое сродство связывания с белком), либо инкубацию белкового раствора с лигандом в течение определенного периода времени перед получением сетки. Затем небольшой объем образца помещают на очищенную плазмой дырчатую сетку ПЭМ, после чего следует мгновенная заморозка в жидком этане и, в конечном итоге, визуализация с помощью крио-ПЭМ. Двухмерные проекционные изображения от сотен тысяч до миллионов отдельных частиц усредняются для реконструкции трехмерной (3D) кулоновской карты потенциала макромолекулы. Идентификация и моделирование лигандов и молекул растворителей на этих картах во многих случаях сопряжены со значительными трудностями из-за анизотропного разрешения по всей карте (т.е. разрешение не равномерно по всей макромолекуле), гибкости в области, где связан лиганд, и шума в данных. Многие инструменты моделирования, доработки и визуализации, которые были разработаны для XRD, в настоящее время адаптируются для использования в криоЭМ для тех же целей 18,19,20,21. В этой статье представлен обзор различных методов и программного обеспечения, используемых в настоящее время для идентификации лигандов, построения моделей и уточнения координат, полученных с помощью криоЭМ. Был предоставлен пошаговый протокол, иллюстрирующий процессы, связанные с моделированием лигандов с использованием специфических комплексов белок-лиганд с различным разрешением и сложностью.

Первым шагом в моделировании лигандов в картах криоЭМ является идентификация плотности лиганда (небелкового) в карте. Если связывание лиганда не вызывает каких-либо конформационных изменений в белке, то расчет простой карты различий между комплексом белок-лиганд и апо-протеином по существу выделяет области повышенной плотности, предполагая присутствие лиганда. Такие различия можно заметить сразу, так как для этого просто требуется две карты, и даже промежуточные карты в процессе 3D-уточнения могут быть использованы для проверки наличия лиганда. Кроме того, если разрешение достаточно высокое (<3,0 Å), то карта различий также может дать представление о расположении молекул воды, а также ионов, взаимодействующих с лигандом и белковыми остатками.

В отсутствие карты апо-белка теперь можно использовать Servalcat²², который доступен в качестве отдельного инструмента, а также был интегрирован в программный пакет CCP-EM ^23,24 в рамках доработки Refmac и в CCP4 8.0 версии^25,26. Servalcat позволяет рассчитать карту взвешенной разности FSC (Fo-Fc) с использованием незаточенных полукарт и модели апопротеина в качестве входных данных. Отображение пропуска Fo-Fc представляет собой несоответствие между экспериментальным отображением (Fo) и отображением, полученным из модели (Fc). В отсутствие лиганда в модели положительная плотность в карте Fo-Fc, которая перекрывается с экспериментальной картой EM, обычно предполагает наличие лиганда. Здесь предполагается, что белковая цепь хорошо вписывается в карту, а оставшаяся положительная плотность указывает на местоположение лиганда. Тем не менее, важно тщательно изучить, является ли положительная плотность результатом неточностей моделирования, таких как неправильный ротамер боковой цепи белка.

Второй шаг включает в себя получение или создание файла декартовых координат лиганда с четко определенной геометрией на основе имеющейся химической информации. Стандартные лиганды (например, АТФ и НАДФ⁺), которые уже доступны в библиотеке мономеров CCP4, могут быть использованы для уточнения путем извлечения файлов координат и геометрии через их код присоединения мономера. Однако для неизвестных или нестандартных лигандов доступны различные инструменты для создания файлов геометрии. Некоторые из примеров включают eLBOW²⁷ – (электронный конструктор лигандов и верстак оптимизации) в Phenix²⁸, Lidia – встроенный инструмент в Coot²⁹, JLigand/ACEDRG^30,31, CCP-EM^23,24, Ligprep^32-a модуль Glide в составе пакета Schrodinger. Затем файл координат лиганда подгоняется по плотности, руководствуясь как экспериментальной криоЭМ-картой, так и разностной картой в Coot. За этим следует уточнение в реальном пространстве в Phenix²⁸ или взаимное уточнение в Refmac³³. Требуется рабочая станция Linux или ноутбук, оснащенный хорошей видеокартой и вышеупомянутым программным обеспечением. Большинство из этих программ включены в различные сюиты. CCP-EM²⁴и Phenix²⁸ находятся в свободном доступе для академических пользователей и включают в себя различные инструменты, которые используются в этой статье, включая Coot, Refmac5 33,34,35,36, Servalcat, phenix.real_space_refine и т.д. Аналогичным образом, Chimera³⁷ и ChimeraX³⁸ предоставляют бесплатные лицензии для академических пользователей.

Protocol

1. Моделирование фосфоенолпирувата (ПЭП) в енолазе из Mycobacterium tuberculosis Идентификация плотности лиганда в криоЭМ-карте ПЭП-енолазного комплексаЗагрузите незаточенные полукарты (emd_30988_additional_1.map и emd_30988_additional_2.map) апо-енолазы из дополнительных данных EMDB (см. Таблиц?…

Representative Results

Пример 1Фермент энолаза из M. tuberculosis катализирует предпоследнюю стадию гликолиза и превращает 2-фосфоглицерат в фосфоенолпируват (ПЭП), который является важным промежуточным продуктом для нескольких метаболических путей44,45. Данные CryoEM дл…

Discussion

Усовершенствование аппаратного и программного обеспечения микроскопа привело к увеличению количества криоЭМ-структур в последние годы. Несмотря на то, что самое высокое разрешение, достигнутое на данный момент в криоЭМ для одиночных частиц, составляет 1,2 Å 57,58,59, большинство структур ?…

Declarações

The authors have nothing to disclose.

Acknowledgements

SJ является получателем стипендии PhD от DAE-TIFR, и финансирование признается. KRV выражает признательность за грант DBT B-Life DBT/PR12422/MED/31/287/2014 и поддержку Департамента атомной энергии правительства Индии в рамках проекта Identification No. 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

Referências

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. Bioquímica. 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

Citar este artigo

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).