Объективные критерии определения стартовых параметров при моделировании структуры мицелл и липосом по данным малоуглового рентгеновского рассеяния

Обложка

Цитировать

Полный текст

Аннотация

Для изучения структуры гидрофобных мембранных белков используются матрицы, моделирующие клеточные мембраны и образованные молекулами соответствующих амфифильных веществ, например детергентами или липидами. Для изучения структуры белка, встроенного в искусственную мембрану, прежде всего необходимо определить структуру самой мембраны. Для решения этой задачи методом малоуглового рентгеновского рассеяния ранее были разработаны алгоритмы ELLLIP и ELLMIC, позволяющие построить модели эллипсоидальных везикул на основе атомной структуры мономера липида или детергента. Однако результат моделирования в значительной степени зависит от субъективной оценки стартовых значений структурных параметров матриц и может оказаться неверным в силу неоднозначности решения задач такого типа. Представлен независимый подход к определению стартовых размеров модельных мембран для дальнейшего их структурного моделирования, основанный на анализе функции распределения по расстояниям, полученной непосредственно из кривой малоуглового рассеяния.

Об авторах

М. В. Петухов

Институт кристаллографии им. А.В. Шубникова ФНИЦ “Кристаллография и фотоника” РАН; Институт физической химии и электрохимии им. А.Н. Фрумкина РАН

Email: pmxmvl@yandex.ru
Россия, Москва; Россия, Москва

Э. В. Штыкова

Институт кристаллографии им. А.В. Шубникова ФНИЦ “Кристаллография и фотоника” РАН

Автор, ответственный за переписку.
Email: pmxmvl@yandex.ru
Россия, Москва

Список литературы

  1. Jain P., Rauer S.B., Moller M. et al. // Biomacromolecules. 2022. V. 23. № 8. P. 3081. https://doi.org/10.1021/acs.biomac.2c00402
  2. Bayburt T.H., Sligar S.G. // FEBS Lett. 2010. V. 584. № 9. P. 1721. https://doi.org/10.1016/j.febslet.2009.10.024
  3. Knowles T.J., Finka R., Smith C. et al. // J. Am. Chem. Soc. 2009. V. 131. № 22. P. 7484. https://doi.org/10.1021/ja810046q
  4. Lee S.C., Knowles T.J., Postis V.L. et al. // Nat. Protoc. 2016. V. 11. № 7. P. 1149. https://doi.org/10.1038/nprot.2016.070
  5. Orwick M.C., Judge P.J., Procek J. et al. // Angew. Chem. Int. Ed. Engl. 2012. V. 51. № 19. P. 4653. https://doi.org/10.1002/anie.201201355
  6. Smirnova I.A., Sjostrand D., Li F. et al. // Biochim. Biophys. Acta. 2016. V. 1858. № 12. P. 2984. https://doi.org/10.1016/j.bbamem.2016.09.004
  7. Morrison K.A., Akram A., Mathews A. et al. // Biochem. J. 2016. V. 473. № 23. P. 4349. https://doi.org/10.1042/BCJ20160723
  8. Pautot S., Frisken B.J., Weitz D.A. // Proc. Natl. Acad. Sci. USA. 2003. V. 100. № 19. P. 10718. https://doi.org/10.1073/pnas.1931005100
  9. Hamada T., Miura Y., Komatsu Y. et al. // J. Phys. Chem. B. 2008. V. 112. № 47. P. 14678. https://doi.org/10.1021/jp807784j
  10. Cheng H.T., Megha, London E. // J. Biol. Chem. 2009. V. 284. № 10. P. 6079. https://doi.org/10.1074/jbc.M806077200
  11. Cheng H.T., London E. // Biophys. J. 2011. V. 100. № 11. P. 2671. https://doi.org/10.1016/j.bpj.2011.04.048
  12. Chiantia S., London E. // Biophys. J. 2012. V. 103. № 11. P. 2311. https://doi.org/10.1016/j.bpj.2012.10.033
  13. Elani Y., Purushothaman S., Booth P.J. et al. // Chem. Commun. (Camb.). 2015. V. 51. № 32. P. 6976. https://doi.org/10.1039/c5cc00712g
  14. Mineev K.S., Nadezhdin K.D. // Nanotechnol. Rev. 2017. V. 6. № 1. P. 15. https://doi.org/10.1515/ntrev-2016-0074
  15. Garavito R.M., Ferguson-Miller S. // J. Biol. Chem. 2001. V. 276. № 35. P. 32403. https://doi.org/10.1074/jbc.R100031200
  16. Seddon A.M., Curnow P., Booth P.J. // Biochim. Biophys. Acta. 2004. V. 1666. № 1–2. P. 105. https://doi.org/10.1016/j.bbamem.2004.04.011
  17. Tanford C., Reynolds J.A. // Biochim. Biophys. Acta. 1976. V. 457. № 2. P. 133. https://doi.org/10.1016/0304-4157(76)90009-5
  18. MacKenzie K.R., Prestegard J.H., Engelman D.M. // Science. 1997. V. 276. № 5309. P. 131. https://doi.org/10.1126/science.276.5309.131
  19. Pages G., Torres A.M., Ju P. et al. // Eur. Biophys. J. 2009. V. 39. № 1. P. 111. https://doi.org/10.1007/s00249-009-0433-1
  20. Strandberg E., Ozdirekcan S., Rijkers D.T. et al. // Biophys. J. 2004. V. 86. № 6. P. 3709. https://doi.org/10.1529/biophysj.103.035402
  21. Feigin L.A., Svergun D.I. Structure analysis by small-angle x-ray and neutron scattering. New York: Plenum Press, 1987. 335 p.
  22. Shtykova E.V., Volkov V.V., Wang H.J. et al. // Langmuir. 2006. V. 22. № 19. P. 7994. https://doi.org/10.1021/la060879h
  23. Jensen G.V., Lund R., Gummel J. et al. // J. Am. Chem. Soc. 2013. V. 135. № 19. P. 7214. https://doi.org/10.1021/ja312469n
  24. Dwivedi D., Lepkova K. SAXS and SANS Techniques for Surfactant Characterization: Application in Corrosion Science. Application and Characterization of Surfactants. University of Tabriz: IntechOpen, 2017. 316 p.
  25. Us’yarov O.G. // Colloid. J. 2016. V. 78. P. 698. https://doi.org/10.1134/S1061933X16050227
  26. Razuvaeva E.V., Kulebyakina A.I., Streltsov D.R. et al. // Langmuir. 2018. V. 34. № 50. P. 15470. https://doi.org/10.1021/acs.langmuir.8b03379
  27. Сыбачин А.В., Локова А.Ю., Спиридонов В.В. et al. // Высокомолекулярные соединения. Серия А. 2019. V. 61. № 3. P. 244. https://doi.org/10.1134/S2308112019030179
  28. Zalygin A., Solovyeva D., Vaskan I. et al. // ChemistryOpen. 2020. V. 9. № 6. P. 641. https://doi.org/10.1002/open.201900276
  29. Konarev P.V., Petoukhov M.V., Dadinova L.A. et al. // J. Appl. Cryst. 2020. V. 53. P. 236. https://doi.org/10.1107/S1600576719015656
  30. Петухов М.В., Конарев П.В., Дадинова Л.А. et al. // Кристаллография. 2020. V. 65. № 2. P. 260. https://doi.org/10.31857/S0023476120020198
  31. Kordyukova L.V., Konarev P.V., Fedorova N.V. et al. // Membranes (Basel). 2021. V. 11. № 10. P. 772. https://doi.org/10.3390/membranes11100772
  32. Manalastas-Cantos K., Konarev P.V., Hajizadeh N.R. et al. // J. Appl. Cryst. 2021. V. 54. P. 343. https://doi.org/10.1107/S1600576720013412
  33. Shilova L.A., Knyazev D.G., Fedorova N.V. et al. // Biochemistry (Moscow). Suppl. Ser. A. Membr. Cell Biol. 2017. V. 11. № 3. P. 225. https://doi.org/10.1134/S1990747817030072
  34. Blanchet C.E., Spilotros A., Schwemmer F. et al. // J. Appl. Cryst. 2015. V. 48. № 2. P. 431. https://doi.org/10.1107/S160057671500254X
  35. Konarev P.V., Volkov V.V., Sokolova A.V. et al. // J. Appl. Cryst. 2003. V. 36. P. 1277. https://doi.org/10.1107/S0021889803012779
  36. Svergun D.I. // J. Appl. Cryst. 1992. V. 25. P. 495. https://doi.org/10.1107/S0021889892001663
  37. Svergun D.I., Semenyuk A.V., Feigin L.A. // Acta Cryst. A. 1988. V. 44. P. 244. https://doi.org/10.1107/S0108767387011255
  38. Svergun D.I., Barberato C., Koch M.H.J. // J. Appl. Cryst. 1995. V. 28. P. 768. https://doi.org/10.1107/S0021889895007047
  39. Svergun D.I. // Biophys. J. 1999. V. 76. № 6. P. 2879. https://doi.org/10.1016/S0006-3495(99)77443-6

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
2.

Скачать (879KB)
3.

Скачать (309KB)
4.

Скачать (148KB)
5.

Скачать (807KB)

© Российская академия наук, 2023

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».