De auteurs danken Jinhui Li en Ricardo X. Ramirez voor hun simulatietrajecten en discussies tijdens het schrijven van dit manuscript. OC werd ondersteund door de University at Buffalo Presidential Fellowship en het National Institute of Health's Initiative for Maximizing Student Development Training Grant 1T32GM144920-01 toegekend aan Margarita L. Dubocovich (PI).

1. Het bouwen van de systeemcoördinaten
<ol><li>Navigeer naar CHARMM-GUI.org (C-GUI) met behulp van een webbrowser. Navigeer in het bovenste menu naar Input Generator en selecteer vervolgens Membrane Builder uit de verticale opties aan de linkerkant van het scherm.</li>
	<li>Als u een dubbellaag wilt bouwen, selecteert u Bilayer Builder. OPMERKING: Nieuwe gebruikers moeten hun gratis account activeren voordat ze hun eerste set coördinaten maken.</...

Simulating and Analyzing Lipid Bilayers Using Molecular Dynamics

Experimentele technieken kunnen biomoleculen met hoge resolutie visualiseren met behulp van cryo-elektronenmicroscopie (cryo-EM)58, fluorescentietechnieken en atoomkrachtmicroscopie (AFM)59. Het is echter een uitdaging om het samenspel en de dynamiek van moleculaire interacties vast te leggen die ten grondslag liggen aan biologische routes, ziektepathogenese en therapeutische afgifte op atomair of aminozuurniveau. Hier werden de mogelijkheden van MD-simulaties om lipidememb...

Lipiden zijn belangrijke bestanddelen van membranen, die grenzen bieden aan cellen en intracellulaire compartimentering mogelijk maken 1,2,3. Lipiden zijn amfifiel, met een polaire kopgroep en twee hydrofobe vetzuurstaarten; Deze assembleren zichzelf tot een dubbellaag om het contact van de hydrofobe ketens met water te minimaliseren 3,4. Verschillende combinaties van hydrofiele kopgroepen en hydrofobe staarten resulteren in verschillende klassen lipiden in biologische membranen, zoals glycerofosfolipiden, sfingolipiden en sterolen (Figuur 1)1,5,6. Glycerofosfolipiden zijn primaire bouwstenen van eukaryote celmembranen die zijn samengesteld uit glycerofosfaat, vetzuren met lange ketens en hoofdgroepen met een laag moleculairgewicht7. De lipidennomenclatuur is gebaseerd op verschillen in hoofdgroepen; voorbeelden zijn fosfatidyl-choline (PC), fosfatidyl-ethanolamine (PE), fosfatidyl-serine (PS), fosfatidyl-glycerol (PG), fosfatidyl-inositol (PI) of het niet-gemodificeerde fosfatidinezuur (PA)5,6. Wat hydrofobe staarten betreft, variëren de lengte en mate van verzadiging, samen met de ruggengraatstructuur. De mogelijke combinaties zijn talrijk, wat resulteert in duizenden lipidensoorten in zoogdiercellen6. Veranderingen in de samenstelling van membraanlipiden leiden tot verschillende mechanische en structurele membraaneigenschappen die van invloed zijn op de activiteit van zowel integrale membraaneiwitten als perifere eiwitten 2,6.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/65712/65712fig01.jpg"> Figuur 1. Representatieve lipidestructuren. Vetzuurstaarten worden weergegeven in blauwe vakken, gemeenschappelijke lipidekopgroepen in oranje en monsterruggengraat in paars. <a href="https://www.jove.com/files/ftp_upload/65712/65712fig01large.jpg" target="_blank">Klik hier om een grotere versie van deze figuur te bekijken.</a>
Lipiden spelen een actieve rol in cellulaire processen, eiwitactivering in signaalcascades en homeostase van gezonde cellen 8,9. Veranderde lipidendynamiek is het gevolg van infectie of kan markers zijn van pathogenese van ziekte 10,11,12,13,14,15. Als barrières voor de cel is de studie van membraanlipiden en hun rol in de permeatie van kleine moleculen van belang voor medicijnafgiftesystemen en membraanverstoringsmechanismen16,17. Chemische diversiteit en verschillende verhoudingen van lipidesoorten in organellen, weefsels en organismen geven aanleiding tot complexe membraandynamieken2. Het is daarom belangrijk om deze kenmerken te behouden in modelleringsstudies van lipidedubbellagen, vooral wanneer het doel van een studie is om interacties van andere biomoleculen met het membraan te onderzoeken. De lipidensoorten waarmee in een model rekening moet worden gehouden, hangt af van het organisme en het cellulaire compartiment dat van belang is. PG-lipiden zijn bijvoorbeeld belangrijk voor elektronenoverdracht in fotosynthetische bateria18, terwijl gefosforyleerde inositollipiden (PIP's) belangrijke spelers zijn in de dynamiek van plasmamembraan (PM) en signaalcascades in zoogdiercellen 19,20. In de cel bevatten de PM-, endoplasmatisch reticulum (ER), Golgi en mitochondriale membranen unieke lipide-abundanties die hun functie beïnvloeden. Het ER is bijvoorbeeld de hub voor lipidenbiogenese en transporteert cholesterol naar de PM en Golgi; het bevat een hoge lipidendiversiteit met een overvloed aan PC en PE, maar een laag sterolgehalte, wat de vloeibaarheid van het membraan bevordert21,22,23,24. Daarentegen bevat de PM honderden en zelfs duizenden lipidensoorten, afhankelijk van het organisme25, het bevat een hoog gehalte aan sfingolipiden en cholesterol die het een karakteristieke stijfheid geven in vergelijking met andere membranen in de cel24. Bladasymmetrie moet worden overwogen voor membranen zoals de PM, die een buitenste bijsluiter heeft die rijk is aan sfingomyeline, PC en cholesterol, en een binnenblad dat rijk is aan PE, PI en PS die belangrijk zijn voor het signaleren van cascades24. Ten slotte leidt lipidendiversiteit ook tot de vorming van microdomeinen die verschillen in verpakking en interne volgorde, bekend als lipide vlotten24,26; Deze vertonen laterale asymmetrie, er wordt verondersteld dat ze een belangrijke rol spelen in cellulaire signalering26 en zijn moeilijk te bestuderen vanwege hun voorbijgaande aard.
Experimentele technieken zoals fluoroscopie, spectroscopie en modelmembraansystemen zoals gigantische unilamellaire blaasjes (GUV's) zijn gebruikt om interacties van biomoleculen met membranen te onderzoeken. De complexe en dynamische aard van de betrokken componenten is echter moeilijk vast te leggen met experimentele methoden alleen. Er zijn bijvoorbeeld beperkingen aan de beeldvorming van transmembraandomeinen van eiwitten, de complexiteit van membranen die in dergelijke onderzoeken worden gebruikt, en de identificatie van tussenliggende of voorbijgaande toestanden tijdens het proces van belang27,28,29. Sinds de komst van de moleculaire simulatie van lipide monolagen en dubbellagen in de jaren 198029, kunnen lipide-eiwitsystemen en hun interacties nu op moleculair niveau worden gekwantificeerd. Moleculaire dynamica (MD)-simulatie is een veelgebruikte computertechniek die de beweging van deeltjes voorspelt op basis van hun intermoleculaire krachten. Een additieve interactiepotentiaal beschrijft de gebonden en niet-gebonden interacties tussen deeltjes van het systeem30. De set parameters die wordt gebruikt om deze interacties te modelleren, wordt het simulatiekrachtveld (FF) genoemd. Deze parameters worden verkregen uit ab initio-berekeningen, semi-empirische en kwantummechanische berekeningen, en geoptimaliseerd voor gereproduceerde gegevens van röntgen- en elektronendiffractie-experimenten, NMR, infrarood, Raman- en neutronenspectroscopie, naast andere methoden31.
MD-simulaties kunnen worden gebruikt om systemen op verschillende resolutieniveaus te bestuderen32,33,34. Systemen die gericht zijn op het karakteriseren van specifieke biomoleculaire interacties, waterstofbruggen en andere details met hoge resolutie worden bestudeerd met all-atom (AA) simulaties. Grofkorrelige (CG) simulaties daarentegen klonteren atomen in grotere functionele groepen om de rekenkosten te verlagen en de dynamiek op grotere schaal te onderzoeken33. Tussen deze twee bevinden zich united-atom (UA) simulaties, waarbij waterstofatomen worden gecombineerd met hun respectievelijke zware atomen om de berekening te versnellen33,35. MD-simulaties zijn een krachtig hulpmiddel voor het verkennen van de dynamiek van lipidemembranen en hun interacties met andere moleculen en kunnen dienen om mechanismen op moleculair niveau te bieden voor processen die van belang zijn op het membraangrensvlak. Bovendien kunnen MD-simulaties dienen om experimentele doelen te verfijnen en macromoleculaire eigenschappen van een bepaald systeem te voorspellen op basis van microscopische interacties.
In het kort, gegeven een reeks initiële coördinaten, snelheden en een reeks omstandigheden zoals constante temperatuur en druk, worden posities en snelheden van elk deeltje berekend door numerieke integratie van de interactiepotentiaal en de bewegingswet van Newton. Dit wordt iteratief herhaald, waardoor een simulatietraject30 wordt gegenereerd. Deze berekeningen worden uitgevoerd met een MD-motor; van de verschillende open-sourcepakketten is GROMACS36 een van de meest gebruikte engines en degene die we hier beschrijven. Het bevat ook instrumenten voor het analyseren en construeren van initiële coördinaten van te simuleren systemen37. Andere MD-motoren zijn onder meer NAMD38; CHARMM39 en AMBER40, die de gebruiker naar eigen goeddunken kan selecteren op basis van de rekenkracht van een bepaald systeem. Het is van cruciaal belang om de trajecten tijdens de simulatie te visualiseren, evenals voor analyse en interpretatie van de resultaten. Er zijn verschillende tools beschikbaar; hier bespreken we visuele moleculaire dynamica (VMD) die een breed scala aan functies biedt, waaronder driedimensionale (3D) visualisatie met uitgebreide teken- en kleurmethoden, volumetrische datavisualisatie, het bouwen, voorbereiden en analyseren van trajecten van MD-simulatiesystemen, en het maken van trajectfilms zonder limieten op de systeemgrootte, als het geheugen beschikbaar is41,42,43.
De nauwkeurigheid van de voorspelde dynamiek tussen systeemcomponenten wordt direct beïnvloed door de FF die is gekozen voor de voortplanting van het traject. Empirische FF-parametrisatie-inspanningen worden door weinig onderzoeksgroepen nagestreefd. De meest gevestigde en meest voorkomende FF voor MD zijn CHARMM39, AMBER 40, Martini44, OPLS 45 en SIRAH 46. Het all-atom additive CHARMM36 (C36) krachtveld47 wordt veel gebruikt voor AA MD van membraansystemen, omdat het experimentele structurele gegevens nauwkeurig reproduceert. Het is oorspronkelijk ontwikkeld door de CHARMM-gemeenschap en is compatibel met meerdere MD-engines zoals GROMACS en NAMD. Ondanks verbeteringen in gemeenschappelijke FF's, is er een voortdurende inspanning om de parametersets te verbeteren om voorspellingen mogelijk te maken die experimentele waarneembare objecten nauwkeurig reproduceren, gedreven door belangen in bepaalde onderzoekssystemen48,49.
Een uitdaging bij het simuleren van lipidemembranen is het bepalen van de lengte van het simulatietraject. Dit is grotendeels afhankelijk van de te analyseren statistieken en het proces dat men wil karakteriseren. Doorgaans hebben complexe lipidenmengsels meer tijd nodig om een evenwicht te bereiken, omdat meer soorten voldoende tijd moeten hebben om op het membraanvlak te diffunderen en een stabiele laterale organisatie te bereiken. Van een simulatie wordt gezegd dat deze in evenwicht is wanneer de eigenschap van belang een plateau heeft bereikt en rond een constante waarde schommelt. Het is gebruikelijk om ten minste 100-200 ns van een evenwichtstraject te verkrijgen om een passende statistische analyse uit te voeren op de eigenschappen en interacties van belang. Het is gebruikelijk om membraansimulaties uit te voeren tussen 200-500 ns, afhankelijk van de complexiteit van het lipidenmengsel en de onderzoeksvraag. Eiwit-lipide-interacties vereisen doorgaans langere simulatietijden, tussen 500-2000 ns. Enkele benaderingen om bemonstering en waarneembare dynamiek met membraansystemen te versnellen zijn: (i) het zeer mobiele membraanmimetische (HMMM)-model, dat eindkoolstofatomen van lipiden in het membraan vervangt door organisch oplosmiddel om bemonstering te versnellen50; en (ii) waterstofmassa-repartitionering (HMR), waarbij een fractie van de massa's van zware atomen binnen een systeem wordt gecombineerd met die van waterstofatomen om het gebruik van een grotere simulatietijdstap51 mogelijk te maken.
Het volgende protocol bespreekt een beginnersvriendelijke benadering voor het bouwen, uitvoeren en analyseren van realistische membraanmodellen met behulp van AA MD. Gezien de aard van MD-simulaties moeten meerdere trajecten worden uitgevoerd om rekening te houden met reproduceerbaarheid en een goede statistische analyse van de resultaten. Het is momenteel gebruikelijk om minimaal drie replica's per systeem van belang uit te voeren. Zodra de lipidesoorten zijn geselecteerd voor het organisme en het proces van belang, worden de basisstappen voor het bouwen, uitvoeren en analyseren van een simulatietraject van een membraansysteem geschetst en samengevat in figuur 2.
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/65712/65712fig02.jpg"> Figuur 2. Schema om MD-simulaties uit te voeren. Oranje vakjes komen overeen met de drie belangrijkste stappen die in het protocol worden beschreven. Daaronder bevindt zich de workflow van het simulatieproces. Tijdens het instellen van het systeem wordt het systeem met de initiële coördinaten van een opgelost membraansysteem gebouwd met een systeeminvoergenerator zoals CHARMM-GUI Membrane Builder. Na het overbrengen van de invoerbestanden naar een high-performance computing-cluster, wordt het simulatietraject gepropageerd met behulp van een MD-engine, zoals GROMACS. Trajectanalyse kan worden uitgevoerd op het computercluster of een lokaal werkstation, samen met visualisatie. Vervolgens wordt de analyse uitgevoerd met behulp van pakketten met ingebouwde analysecode zoals GROMACS en VMD, of met behulp van Bash-scripts of verschillende Python-bibliotheken. <a href="https://www.jove.com/files/ftp_upload/65712/65712fig02large.jpg" target="_blank">Klik hier om een grotere versie van deze figuur te bekijken.</a>

<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>Anaconda3</td>
			<td>Anaconda Inc (Python &#38; related libraries)</td>
			<td>N/A</td>
			<td></td>
		</tr>
		<tr>
			<td>CHARMM-GUI.org</td>
			<td>Im lab, Lehigh University</td>
			<td>N/A</td>
			<td></td>
		</tr>
		<tr>
			<td>GROMACS</td>
			<td>GROMACS development team</td>
			<td>N/A</td>
			<td></td>
		</tr>
		<tr>
			<td>Linux HPC Cluster</td>
			<td>UB CCR</td>
			<td>N/A</td>
			<td></td>
		</tr>
		<tr>
			<td>MATLAB</td>
			<td>MathWorks</td>
			<td>N/A</td>
			<td></td>
		</tr>
		<tr>
			<td>VMD</td>
			<td>Theoretical and Computational Biophysics Group</td>
			<td>N/A</td>
			<td></td>
		</tr>
	</tbody>
</table>

realistic membrane modeling using complex lipid mixtures in simulation studies

Lipiden zijn structurele bouwstenen van celmembranen; Lipidensoorten variëren tussen celorganellen en tussen organismen. Deze variëteit resulteert in verschillende mechanische en structurele eigenschappen in het membraan die een directe invloed hebben op de moleculen en processen die op dit grensvlak plaatsvinden. De samenstelling van lipiden is dynamisch en kan dienen om celsignaleringsprocessen te moduleren. Computationele benaderingen worden steeds vaker gebruikt om interacties tussen biomoleculen te voorspellen en moleculaire inzichten te verschaffen aan experimentele observabelen. Moleculaire dynamica (MD) is een techniek gebaseerd op statistische mechanica die de beweging van atomen voorspelt op basis van de krachten die erop inwerken. MD-simulaties kunnen worden gebruikt om de interactie van biomoleculen te karakteriseren. Hier introduceren we kort de techniek, schetsen we praktische stappen voor beginners die geïnteresseerd zijn in het simuleren van lipide dubbellagen, demonstreren we het protocol met beginnersvriendelijke software en bespreken we alternatieven, uitdagingen en belangrijke overwegingen van het proces. In het bijzonder benadrukken we de relevantie van het gebruik van complexe lipidenmengsels om een celmembraan te modelleren dat van belang is om de juiste hydrofobe en mechanische omgevingen in simulatie vast te leggen. We bespreken ook enkele voorbeelden waarbij membraansamenstelling en -eigenschappen de interacties van dubbellagen met andere biomoleculen moduleren.

Lipids are major constituents of membranes, which provide boundaries for cells and enable intracellular compartmentalization1,2,3. Lipids are amphiphilic, with a polar head group and two hydrophobic fatty acid tails; these self-assemble into a bilayer to minimize contact of the hydrophobic chains with water3,4. Various combinations of hydrophilic head groups and hydrophobic tails result in different classes of lipids in biological membranes, such as glycerophospholipids, sphingolipids, and sterols (Figure 1)1,5,6. Glycerophospholipids are primary building blocks of eukaryotic cell membranes composed of glycerophosphate, long-chain fatty acids, and head groups of low-molecular weight7. Lipid nomenclature is based on differences in head groups; examples include phosphatidyl-choline (PC), phosphatidyl-ethanolamine (PE), phosphatidyl-serine (PS), phosphatidyl-glycerol (PG), phosphatidyl-inositol (PI), or the unmodified phosphatidic acid (PA)5,6. As for hydrophobic tails, the length and degree of saturation vary, along with the backbone structure. The possible combinations are numerous, resulting in thousands of lipid species in mammalian cells6. Changes in membrane lipid composition lead to different mechanical and structural membrane properties that impact the activity of both integral membrane proteins and peripheral proteins2,6.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/65712/65712fig01.jpg" /> 
Figure 1. Representative lipid structures. Fatty acid tails are shown in blue boxes, common lipid head groups in orange, and sample backbones in purple. <a href="https://www.jove.com/files/ftp_upload/65712/65712fig01large.jpg" target="_blank">Please click here to view a larger version of this figure.</a>
Lipids are active players in cellular processes, protein activation in signaling cascades, and healthy cell homeostasis8,9. Altered lipid dynamics are the result of infection or can be markers of pathogenesis of disease10,11,12,13,14,15. As barriers for the cell, the study of membrane lipids and their role in permeation of small molecules is of relevance for drug delivery systems and membrane disruption mechanisms16,17. Chemical diversity and different ratios of lipid species across organelles, tissues, and organisms give rise to complex membrane dynamics2. It is therefore important to retain these characteristics in modelling studies of lipid bilayers, especially when the goal of a study is to examine interactions of other biomolecules with the membrane. The lipid species to consider in a model depends on the organism and cellular compartment of interest. For example, PG lipids are important for electron transfer in photosynthetic bateria18, while phosphorylated inositol lipids (PIPs) are major players in plasma membrane (PM) dynamics and signaling cascades in mammalian cells19,20. Inside the cell, the PM, endoplasmic reticulum (ER), Golgi, and mitochondrial membranes contain unique lipid abundances that influence their function. For example, the ER is the hub for lipid biogenesis and transports cholesterol out to the PM and Golgi; it contains a high lipid diversity with an abundance of PC and PE, but low sterol content, which promotes membrane fluidity21,22,23,24. In contrast, the PM incorporates hundreds and even thousands of lipid species depending on the organism25, it contains high levels of sphingolipids and cholesterol that give it a characteristic rigidity compared to other membranes in the cell24. Leaflet asymmetry should be considered for membranes like the PM, which has an outer leaflet rich in sphingomyelin, PC, and cholesterol, and an inner leaflet rich in PE, PI and PS that are important for signaling cascades24. Finally, lipid diversity also prompts the formation of micro-domains that differ in packing and internal order, known as lipid rafts24,26; these exhibit lateral asymmetry, are hypothesized to play important roles in cellular signaling26, and are hard to study due to their transient nature.
Experimental techniques such as fluoroscopy, spectroscopy, and model membrane systems like giant unilamellar vesicles (GUVs) have been used to investigate interactions of biomolecules with membranes. However, the complex and dynamic nature of the components involved is difficult to capture with experimental methods alone. For example, there are limitations on the imaging of transmembrane domains of proteins, the complexity of membranes used in such studies, and the identification of intermediate or transient states during the process of interest27,28,29. Since the advent of molecular simulation of lipid monolayers and bilayers in the 1980s29, lipid-protein systems and their interactions can now be quantified at the molecular level. Molecular dynamics (MD) simulation is a common computational technique that predicts the movement of particles based on their intermolecular forces. An additive interaction potential describes the bonded and non-bonded interactions between particles of the system30. The set of parameters used to model these interactions is termed the simulation forcefield (FF). These parameters are obtained from ab initio computations, semi-empirical, and quantum mechanical calculations, and optimized to reproduced data from X-ray and electron diffraction experiments, NMR, infrared, Raman and neutron spectroscopy, amongst other methods31.
MD simulations can be used to study systems at various levels of resolution32,33,34. Systems that aim to characterize specific biomolecular interactions, hydrogen bonds, and other high-resolution details are studied with all-atom (AA) simulations. In contrast, coarse-grained (CG) simulations lump atoms into larger functional groups to reduce computational cost and examine larger scale dynamics33. Situated in between these two are united-atom (UA) simulations, where hydrogen atoms are combined with their respective heavy atoms to accelerate the computation33,35. MD simulations are a powerful tool for exploration of the dynamics of lipid membranes and their interactions with other molecules and can serve to provide molecular level mechanisms for processes of interest at the membrane interface. Additionally, MD simulations can serve to narrow down experimental targets and predict macromolecular properties of a given system based on microscopic interactions.
In brief, given a set of initial coordinates, velocities, and a set of conditions like constant temperature and pressure, positions and velocities of each particle are calculated through numerical integration of the interaction potential and Newton&#39;s Law of motion. This is repeated iteratively, thereby generating a simulation trajectory30. These calculations are performed with an MD engine; among several open-source packages, GROMACS36 is one of the most commonly used engines and the one we describe here. It also includes tools for analysis and constructing initial coordinates of systems to be simulated37. Other MD engines include NAMD38; CHARMM39, and AMBER40, which the user can select at their own discretion based on computational performance of a given system. It is critical to visualize the trajectories during the simulation as well as for analysis and interpretation of the results. A variety of tools are available; here we discuss visual molecular dynamics (VMD) that offers a wide range of features, including three dimensional (3-D) visualization with expansive drawing and coloring methods, volumetric data visualization, building, preparing, and analyzing trajectories of MD simulation systems, and trajectory-movie making with no limits on system size, if the memory is available41,42,43.
The accuracy of predicted dynamics between system components is directly influenced by the FF chosen for the propagation of the trajectory. Empirical FF parametrization efforts are pursued by few research groups. The most established and common FF for MD include CHARMM39, AMBER40, Martini44, OPLS45, and SIRAH46. The all-atom additive CHARMM36 (C36) force field47 is widely used for AA MD of membrane systems as it accurately reproduces experimental structural data. It was originally developed by the CHARMM community, and it is compatible with multiple MD engines like GROMACS and NAMD. Despite improvements across common FFs, there is a continuous effort to improve the parameter sets to allow predictions that closely reproduce experimental observables, driven by interests in particular systems of study48,49.
A challenge when simulating lipid membranes is determining the length of simulation trajectory. This is largely dependent on the metrics to be analyzed and the process that one aims to characterize. Typically, complex lipid mixtures require longer time to reach equilibrium, as more species must have enough time to diffuse on the membrane plane and reach a stable lateral organization. A simulation is said to be at equilibrium when the property of interest has reached a plateau and fluctuates about a constant value. It is common practice to obtain at least 100-200 ns of equilibrated trajectory to carry out appropriate statistical analysis on the properties and interactions of interest. It is common to run membrane-only simulations between 200-500 ns, depending on the complexity of the lipid mixture and research question. Protein-lipid interactions typically require longer simulation times, between 500-2000 ns. Some approaches to accelerate sampling and observable dynamics with membrane systems are: (i) the highly mobile membrane mimetic (HMMM) model, which replaces end carbons of lipids in the membrane with organic solvent to accelerate sampling50; and (ii) hydrogen mass repartitioning (HMR), which combines a fraction of the masses of heavy atoms within a system with those of hydrogen atoms to allow the use of a larger simulation timestep51.
The following protocol discusses a beginner-friendly approach to build, run, and analyze realistic membrane models using AA MD. Given the nature of MD simulations, multiple trajectories must be run to account for reproducibility and proper statistical analysis of the results. It is current practice to run at minimum three replicas per system of interest. Once the lipid species have been selected for the organism and process of interest, basic steps to build, run, and analyze a simulation trajectory of a membrane-only system are outlined and summarized in Figure 2.
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/65712/65712fig02.jpg" /> 
Figure 2. Schematic to run MD simulations. Orange boxes correspond to the three main steps described in the protocol. Underneath is the workflow of the simulation process. During system setup, the system containing the initial coordinates of a solvated membrane system is built with a system input generator like CHARMM-GUI Membrane Builder. After transferring the input files to a high-performance computing cluster, the simulation trajectory is propagated using an MD engine, such as GROMACS. Trajectory analysis can be done on the computer cluster or a local working station along with visualization. Analysis is then carried out, using either packages with built-in analysis code such as GROMACS and VMD, or by using Bash scripts or various Python libraries. <a href="https://www.jove.com/files/ftp_upload/65712/65712fig02large.jpg" target="_blank">Please click here to view a larger version of this figure.</a>

Author Spotlight: Advancing Cell Membrane Biophysics - Exploring Interactions and Challenges Through Experimental and Computational Approaches 

Realistische membraanmodellering met behulp van complexe lipidenmengsels in simulatiestudies

Om het gebruik van het protocol en de resultaten die kunnen worden verkregen te illustreren, wordt een vergelijkende studie voor membraanmodellen voor het endoplasmatisch reticulum (ER) besproken. De twee modellen in deze studie waren (i) het PI-model, dat de vier belangrijkste lipidensoorten bevat die in het ER worden aangetroffen, en (ii) het PI-PS-model, dat de anionische fosfatidylserine (PS) lipidesoorten toevoegde. Deze modellen werden later gebruikt in een onderzoek naar een viraal eiwit en hoe het interageert met...

Watch this Scientific Journal Video about Advancing Cell Membrane Biophysics - Exploring Interactions and Challenges Through Experimental and Computational Approaches at JoVE.com

De diversiteit van membraanlipiden in structuur en samenstelling levert een belangrijke bijdrage aan cellulaire processen en kan een marker van ziekte zijn. Moleculaire dynamica-simulaties stellen ons in staat om membranen en hun interacties met biomoleculen met atomistische resolutie te bestuderen. Hier bieden we een protocol voor het bouwen, uitvoeren en analyseren van complexe membraansystemen.

Lipids are structural building blocks of cell membranes; lipid species vary across cell organelles and across organisms. This variety results in different ...

De biofysica van celmembranen groeit snel. Veel voorkomende experimentele benaderingen zijn fluorescentiemicroscopie, neutronen- en röntgenverstrooiing, massaspectroscopie en atoomkrachtmicroscopie. Computationele benaderingen omvatten fonologische modellen en modellen op basis van statistische thermodynamica die ons helpen atomistische of moleculaire details te begrijpen van interacties die plaatsvinden op het membraangrensvlak en in de hydrofobe kern.Bij het gebruik van moleculair dynamische simulaties zijn uitdagingen onder meer het bemonsteren van interessante gebeurtenissen, het instellen van een simulatieduur, ervoor zorgen dat de resultaten convergeren en fysieke waarden reproduceren, en toegang tot rekenkracht. Deze uitdagingen gelden met name voor voorbijgaande gebeurtenissen op het membraangrensvlak, zoals de interactie van perifere eiwitten ermee of de aggregatie van lipiden en eiwitten die grote veranderingen in bevestiging vereisen. Dit protocol biedt een beginnersvriendelijke stap-voor-stap handleiding om te beginnen met het uitvoeren van moleculair dynamische simulaties van complexe lipidemembranen.Er zijn veel software-alternatieven om deze simulaties uit te voeren, en sommige pakketten hebben tutorials of handleidingen. We hopen dat ons protocol een beknopte basis biedt voor realistische membraanmodellering en tips geeft over de overwegingen die van invloed zijn op de kwaliteit van resultaten en dit soort modelleringsstudies. Dit protocol heeft ons in staat gesteld om interacties tussen membraanlipiden en andere biomoleculen vast te leggen die niet werden waargenomen met behulp van pure of binaire lipidenmengsels.Veel interacties aan het membraanoppervlak zijn afhankelijk van de diversiteit aan lipiden op het membraan zelf. Onze modellen tonen aan hoe belangrijk het is om geschikte lipidesoorten op te nemen om de biomoleculaire functie in membranen nauwkeurig te onderzoeken.