Определение изменения дипольного момента при возбуждении в хромофоре зеленого флуоресцентного белка из траекторий молекулярной динамики с потенциалами квантовой механики/молекулярной механики методами машинного обучения

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Проведены расчеты молекулярно-динамических траекторий с потенциалами квантовой механики / молекулярной механики (КМ/ММ) для белка EYFP семейства зеленого флуоресцентного белка с последующим построением моделей машинного обучения для установления взаимосвязи между геометрическими параметрами хромофора в кадрах траектории и свойствами его электронного возбуждения. Показано, что недостаточно использовать в качестве геометрического параметра только мостиковые связи между фенильным и имидазолидоновым фрагментами хромофора, а необходимо добавлять в модель еще, по крайней мере, две соседние связи. Предложенные модели позволяют определять величину изменения дипольного момента при возбуждении со средней ошибкой 0.11 а. е.

Полный текст

Доступ закрыт

Об авторах

Т. М. Захарова

Химический факультет МГУ имени М. В. Ломоносова

Email: khrenovamg@my.msu.ru
Россия, Москва

А. М. Кулакова

Химический факультет МГУ имени М. В. Ломоносова

Email: khrenovamg@my.msu.ru
Россия, Москва

М. А. Криницкий

Научно-исследовательский вычислительный центр МГУ имени М. В. Ломоносова; Московский физико-технический институт; Институт океанологии им. П. П. Ширшова РАН

Email: khrenovamg@my.msu.ru
Россия, Москва; Долгопрудный; Москва

М. И. Варенцов

Научно-исследовательский вычислительный центр МГУ имени М. В. Ломоносова

Email: khrenovamg@my.msu.ru
Россия, Москва

М. Г. Хренова

Химический факультет МГУ имени М. В. Ломоносова; ФИЦ Биотехнологии РАН

Автор, ответственный за переписку.
Email: khrenovamg@my.msu.ru
Россия, Москва; Москва

Список литературы

  1. Enterina J.R., Wu L., Campbell R.E. // Curr. Opin. Chem. Biol. 2015. V. 27. P. 10. https://doi.org/10.1016/j.cbpa.2015.05.001
  2. Shinoda H., Shannon M., Nagai T. // Int. J. Mol. Sci. 2018. V. 19. P. 1548. https://doi.org/10.3390/ijms19061548
  3. Day R.N., Davidson M.W. // Chem. Soc. Rev. 2009. V. 38. P. 2887. https://doi.org/10.1039/b901966a
  4. Willig K.I., Wegner W., Müller A. et al. // Cell Rep. 2021. V. 35. P. 109192. https://doi.org/10.1016/j.celrep.2021.109192
  5. Lippincott-Schwartz J., Patterson G.H. // Trends Cell Biol. 2009. V. 19. P. 555. https://doi.org/10.1016/j.tcb.2009.09.003
  6. Tantama M., Hung Y.P., Yellen G. // J. Am. Chem. Soc. 2011. V. 133. P. 10034. https://doi.org/10.1021/ja202902d
  7. Ibraheem A., Campbell R.E. // Curr. Opin. Chem. Biol. 2010. V. 14. P. 30. https://doi.org/10.1016/j.cbpa.2009.09.033
  8. Kollenda S., Kopp M., Wens J.et al. // Acta Biomater. 2020. V. 111. P. 406. https://doi.org/10.1016/j.actbio.2020.05.014
  9. Tsien R.Y. // Annu. Rev. Biochem. 1998. V. 67. P. 509. https://doi.org/10.1146/annurev.biochem.67.1.509
  10. Rodriguez E.A., Campbell R.E., Lin J.Y. et al. // Trends Biochem. Sci. 2017. V. 42. P. 111. https://doi.org/10.1016/j.tibs.2016.09.010
  11. Lin C.-Y., Romei M.G., Oltrogge L.M. et al. // J. Am. Chem. Soc. 2019. V. 141. P. 15250. https://doi.org/10.1021/jacs.9b07152
  12. Khrenova M.G., Mulashkin F.D., Nemukhin A.V. // J. Chem. Inf. Model. 2021. V. 61. P. 5125. https://doi.org/10.1021/acs.jcim.1c00981
  13. Drobizhev M., Tillo S., Makarov N.S.et al. // J. Phys. Chem. B2009. V. 113. P. 12860. https://doi.org/10.1021/jp907085p
  14. Bublitz G., King B.A., Boxer S.G. // J. Am. Chem. Soc. 1998. V. 120. P. 9371. https://doi.org/10.1021/ja981606e
  15. Drobizhev M., Makarov N.S., Tillo S.E.et al. // J. Phys. Chem. B2012. V. 116. P. 1736. https://doi.org/10.1021/jp211020k
  16. Drobizhev M., Makarov N.S., Tillo S.E. et al. // Nat. Methods 2011. V. 8. P. 393. https://doi.org/10.1038/nmeth.1596
  17. Drobizhev M., Callis P.R., Nifosì R.et al. // Sci. Rep. 2015. V. 5. P. 13223. https://doi.org/10.1038/srep13223
  18. Khrenova M.G., Nemukhin A.V., Tsirelson V.G. // Chem. Phys. 2019. V. 522. P. 32. https://doi.org/10.1016/j.chemphys.2019.02.010
  19. Khrenova M.G., Mulashkin F.D., Bulavko E.S. et al. // J. Chem. Inf. Model. 2020. V. 60. P. 6288. https://doi.org/10.1021/acs.jcim.0c01028
  20. Nifosì R., Mennucci B., Filippi C. // Phys. Chem. Chem. Phys. 2019. V. 21. P. 18988. https://doi.org/10.1039/C9CP03722E
  21. De Meulenaere E., Nguyen Bich N., de Wergifosse M.et al. // J. Am. Chem. Soc. 2013. V. 135. P. 4061. https://doi.org/10.1021/ja400098b
  22. Spiess E., Bestvater F., Heckel-Pompey A. et al. // J. Microsc. 2005. V. 217. P. 200. https://doi.org/10.1111/j.1365–2818.2005.01437.x
  23. Best R.B., Zhu X., Shim J. et al. // J. Chem. Theory Comput. 2012. V. 8. P. 3257. https://doi.org/10.1021/ct300400x
  24. Denning E.J., Priyakumar U.D., Nilsson L. et al. // J. Comput. Chem. 2011. V. 32. P. 1929. https://doi.org/10.1002/jcc.21777
  25. Jorgensen W.L., Chandrasekhar J., Madura J.D. et al. // J. Chem. Phys. 1983. V. 79. P. 926. https://doi.org/10.1063/1.445869
  26. Phillips J.C., Hardy D.J., Maia J.D.C. et al. // Ibid. 2020. V. 153. P. 044130. https://doi.org/10.1063/5.0014475
  27. Adamo C., Barone V. // J. Chem. Phys. 1999. V. 110. P. 6158. https://doi.org/10.1063/1.478522
  28. Seritan S., Bannwarth C., Fales B.S.et al. // WIREs Comput. Mol. Sci. 2021. V. 11. P. e1494. https://doi.org/10.1002/wcms.1494
  29. Melo M.C.R., Bernardi R.C., Rudack T. et al. // Nat. Methods 2018. V. 15. P. 351. https://doi.org/10.1038/nmeth.4638
  30. Chai J.-D., Head-Gordon M. // Phys. Chem. Chem. Phys. 2008. V. 10. P. 6615. https://doi.org/10.1039/b810189b
  31. Neese, F. // Wiley Interdiscip. Rev. Comput. Mol. Sci. 2012. V. 2. P. 73–78, https://doi.org/10.1002/wcms.81.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Структура β-бочонка белка EYFP показана лентами. Хромофор и хромофорсодержащая область показаны шаростержневым и стержневым представлениями соответственно. Во врезке показано равновесие между двумя таутомерными формами анионного состояния хромофора.

Скачать (132KB)
Метаданные
3. Рис. 2. Параметры моделей: связи (обозначены b с соответствующим индексом) и двугранные углы (d₁ и d₂ показаны штриховой и штрих-пунктирной линиями соответственно).

Скачать (60KB)
Метаданные
4. Рис. 3. Взаимосвязь свойств BLA и Dm (а); длин мостиковых связей b₈ и b₉ (б), и связей углерод–кислород b₁ и b₁₅ (в). Значения рассчитаны для набора кадров из КМ/ММ МД-траекторий.

Скачать (197KB)
Метаданные
5. Рис. 4. Предсказанные и рассчитанные значения изменения дипольного момента при возбуждении (а) для моделей случайных лесов, построенных с использованием 17 (кругами), 4 (квадратами) и 2 геометрических параметров (ромбами). Значимость геометрических параметров в модели с 17 параметрами (б). Слева направо: длины связей по порядку b₁ – b₁₅ и двугранные углы d1 и d₂. Наиболее важные параметры имеют подпись.

Скачать (143KB)
Метаданные

© Российская академия наук, 2024

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».