ff19SB: Аминокислотоспецифичные параметры белкового остова, обученные по энергетическим поверхностям квантовой механики в растворе
ff19SB: Amino-Acid-Specific Protein Backbone Parameters Trained against Quantum Mechanics Energy Surfaces in Solution
2019-11-12
SCID: 54.1/fdyxe4fp
Discuss with AI
аминокислотно-специфичные параметры остовамолекулярная динамика в явном растворителесиловое поле ff19SBэнергетические поверхности квантовой механикиконформационные сканы φ/ψ
Figures from the paper
Abstract (AI)
Моделирование методом молекулярной динамики (МД) все шире применяется для изучения движений и функций биомолекул. Однако точность моделирования в значительной степени определяется силовым полем молекулярной механики (ММ) — набором функций с настраиваемыми параметрами, используемых для расчета потенциальных энергий по координатам атомов. Общее качество силового поля, включая ранее опубликованные нами модели ff99SB и ff14SB, может быть ограничено допущениями, сделанными много лет назад. В представленной здесь обновленной модели ff19SB мы существенно улучшили профили белкового остова для всех 20 аминокислот. Мы подогнали связанные параметры φ/ψ, используя двумерные конформационные сканы φ/ψ для нескольких аминокислот и принимая в качестве эталонных данных всю двумерную квантово-механическую (КМ) энергетическую поверхность. Несогласованность поляризации, возникающую при подгонке параметров двугранных углов, мы устранили, используя как КМ-, так и ММ-описание в водном растворе. Наконец, мы исследовали возможную зависимость подгонки параметров остова от ротамеров боковых цепей. Для всесторонней валидации параметров ff19SB и сравнения с результатами других моделей Amber мы выполнили в общей сложности около 5 мс моделирования молекулярной динамики в явном растворителе. Наши результаты показывают, что после аминокислотоспецифичного обучения по квантово-механическим данным с учетом поляризации растворителя модель ff19SB не только лучше воспроизводит различия между аминокислотоспецифичными картами Рамачандрана из Protein Data Bank (PDB), но и демонстрирует значительно улучшенную способность различать зависящие от аминокислот свойства, такие как склонность к образованию спиралей. Мы также заключаем, что ff14SB изначально недооценивает спиральность; эта ошибка лишь неточно компенсируется увеличением содержания спиральных структур, обусловленным смещением модели TIP3P в сторону чрезмерно компактных структур. Таким образом, в сочетании с более точной моделью воды, такой как OPC, ff19SB должна обладать лучшей предсказательной способностью при моделировании последовательностно-специфичного поведения, мутаций белков, а также рационального дизайна белков. Среди протестированных моделей явного растворителя мы рекомендуем использовать OPC вместе с ff19SB.
Key Findings
1
Для всесторонней валидации ff19SB и сравнения с другими силовыми полями Amber было выполнено около 5 мс молекулярно-динамических симуляций в явном растворителе.
2
По сравнению с предыдущими моделями Amber, ff19SB лучше воспроизводит специфичные для аминокислот распределения Рамачандрана из PDB и различает зависимые от последовательности склонности к образованию спиралей.
3
Параметризация устраняет несогласованность поляризации благодаря подгонке по квантово-механическим и молекулярно-механическим данным в водном растворе.
4
В ff14SB присутствует inherent недооценка спиральности, частично маскируемая TIP3P из-за его смещения в сторону чрезмерно компактных структур; для ff19SB рекомендуется использовать OPC для повышения предсказательной способности.
5
ff19SB существенно улучшает профили конформаций остова для всех 20 аминокислот благодаря подгонке связанных параметров φ/ψ по полным двумерным квантово-механическим энергетическим поверхностям.
Research Object
Модель силового поля молекулярной механики ff19SB для белковых остовов и аминокислотоспецифического конформационного поведения в водном растворе
Research Subject
Аминокислотоспецифические энергетические профили остова φ/ψ и обусловленное ими предсказание распределений Рамачандрана, склонности к образованию спиралей и зависящего от последовательности поведения белков
Publication Details
Publication Date
2019-11-12
Journal
Publisher
ISSN
Cited by
2672
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai5
Последовательная и точная аб initio параметризация поправки дисперсии для функционалов плотности (DFT-D) для 94 элементов H–Pu2010
Сравнение простых потенциальных функций для моделирования жидкой воды1983
Банк данных по белкам2000
Хорошо регулируемый метод на основе электростатического потенциала с ограничением зарядов для вывода атомных зарядов: модель RESP1993
Biopython: свободно доступные инструменты Python для вычислительной молекулярной биологии и биоинформатики2009