CGRig: a rigid-body protein model with residue-level interaction sites for long-time and large-scale protein assembly simulation

Deze paper introduceert CGRig, een efficiënt model dat eiwitten als starre lichamen met residu-niveau interactiepunten simuleert, waardoor langdurige en grootschalige studies van eiwitassemblage mogelijk worden zonder essentiële structurele informatie te verliezen.

De kern

CGRig: De "Rijder" die Proteïnen Laat Samenwerken

Stel je voor dat je een gigantische stad probeert te simuleren, vol met mensen die elkaar ontmoeten, groepjes vormen en gebouwen bouwen. Als je elke persoon in die stad tot in de kleinste details wilt nabootsen – tot aan hun vingers, hun kledingvezels en hun ademhaling – dan zou je computer binnen een seconde ontploffen. Dat is precies wat er gebeurt in de huidige supergeavanceerde computersimulaties van eiwitten (proteïnen). Ze zijn zo gedetailleerd, dat ze maar heel kort kunnen kijken.

De auteurs van dit paper, Yosuke Teshirogi en Tohru Terada, hebben een slimme oplossing bedacht: CGRig.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het Probleem: Te veel details, te weinig tijd

Normaal gesproken kijken wetenschappers naar eiwitten alsof ze een ingewikkeld legpuzzel zijn, waar elk stukje (elk atoom) apart beweegt. Dit is prachtig, maar het kost enorm veel tijd. Het is alsof je een film van een uur wilt maken, maar elke seconde van de film duurt een uur om te berekenen. Je komt er nooit.

Om dit op te lossen, hebben sommigen voorgesteld om eiwitten simpelweg als een bal te behandelen.

• De Bal-methode: Stel je voor dat je in plaats van een mens een rubberen bal gebruikt. Dat is veel sneller! Maar er zit een groot nadeel aan: een bal is rond. Een eiwit is niet rond; het heeft een specifieke vorm, met uitsteeksels en groeven, net als een sleutel die in een slot moet passen. Als je alles als een ronde bal ziet, kun je niet meer zien hoe die sleutel in het slot past. De "sleutel" en het "slot" zijn dan gewoon twee ballen die tegen elkaar aan botsen.

2. De Oplossing: CGRig (De "Rijder" met een Kaart)

CGRig is de perfecte tussenweg. Het behandelt elk eiwit als één stevig, onbuigzaam voertuig (een "rigid body"). Het eiwit kan niet meer vervormen of in elkaar klappen; het beweegt als één geheel. Dit maakt het veel sneller.

Maar hier komt de magie:
In plaats van het eiwit als een kale bal te laten zien, hebben ze specifieke contactpunten (residue-level interaction sites) op het voertuig geplaatst.

• De Analogie: Stel je voor dat je een vrachtwagen hebt (het eiwit). In plaats van alleen de vrachtwagen te simuleren, hebben ze op de vrachtwagen kleine magneetjes geplakt op de exacte plekken waar hij met andere vrachtwagens moet koppelen.
• Deze magneetjes zijn niet zomaar willekeurig; ze zijn gebaseerd op de echte vorm van het eiwit. Ze weten precies waar de "sleutel" zit en waar het "slot" is.

3. Hoe beweegt het? (De Modderige Weg)

In de echte wereld bewegen eiwitten door water, wat een beetje stroperig is (zoals lopen door modder). CGRig simuleert dit gedrag heel slim.

• Het gebruikt wiskunde om te berekenen hoe het voertuig door de modder glijdt. Omdat het voertuig niet rond is (het is langwerpig of plat), is het makkelijker om in de ene richting te glijden dan in de andere.
• CGRig houdt rekening met deze vorm. Het weet dat een langwerpige vrachtwagen anders rolt en glijdt dan een bolle auto. Dit zorgt ervoor dat de beweging realistisch blijft, zelfs als we de details van de binnenkant van het voertuig negeren.

4. De Kracht van de Magneetjes (De NELVEX-kracht)

Hoe weten de vrachtwagens dat ze bij elkaar moeten blijven?

• De auteurs hebben een nieuw systeem bedacht (genaamd NELVEX) dat werkt als een slimme magneet.
• Als twee eiwitten elkaar vinden, trekken de magneetjes ze naar elkaar toe, maar alleen als ze op de juiste manier staan.
• Als ze verkeerd staan, duwen ze elkaar juist een beetje weg (afstoting).
• Dit zorgt ervoor dat de eiwitten niet zomaar aan elkaar plakken, maar precies in de juiste vorm samenkomen, net zoals een sleutel die perfect in een slot past.

5. Wat hebben ze bewezen?

De auteurs hebben hun nieuwe methode getest op verschillende manieren:

• De Eenzame Eiwit: Ze keken of een los eiwit zich correct bewoog door het water. Het deed precies wat het moest doen, net als in de dure, trage simulaties.
• Het Koppel: Ze lieten twee eiwitten samenkomen. Ze zagen dat ze snel en correct aan elkaar plakte, precies zoals in de echte wereld.
• De Grote Bouw: Het echte bewijs was een simulatie van tubuline (eiwitten die microtubuli bouwen, de "spanten" van een cel). Ze lieten 16 van deze eiwitten samenkomen. In plaats van een chaos, bouwden ze een lange, georganiseerde structuur.
• Snelheid: Het meest indrukwekkende? Hun computer kon 17 microseconden aan simulatie per dag doen voor een systeem met 1.000 eiwitten. Dat is een enorme snelheidssprong. Het is alsof je van een fiets op een supersonisch vliegtuig stapt.

Conclusie

CGRig is als een slimme simulator die de details van de binnenkant van een auto negeert, maar wel de exacte vorm van de auto en de plekken waar hij moet koppelen onthoudt. Hierdoor kunnen wetenschappers nu simuleren hoe duizenden eiwitten samenwerken om grote structuren te bouwen – iets dat tot nu toe onmogelijk was omdat het te lang zou duren.

Het is een brug tussen de "te trage, te gedetailleerde wereld" en de "te snelle, te simpele wereld". En dat maakt het een geweldig gereedschap om te begrijpen hoe het leven op het grootste niveau in elkaar zit.

Technische samenvatting

Probleemstelling

Moleculaire dynamica (MD) simulaties zijn krachtige hulpmiddelen om biomoleculaire dynamica te bestuderen, maar ze worden beperkt door hoge rekenkosten.

• All-atom (AA) simulaties: Bieden atomaire resolutie maar zijn beperkt tot microseconden en kleine systemen (enkele proteïnen) vanwege de noodzaak van zeer kleine tijdstappen (typisch 2 fs) en de hoge complexiteit.
• Coarse-grained (CG) modellen: Verminderen de rekenkosten door atomen te groeperen. Echter, extreme vereenvoudigingen (zoals het behandelen van een heel proteïne als één bol) verliezen cruciale structurele informatie, zoals molecuulvorm en de anisotrope aard van proteïne-proteïne interacties.
• De uitdaging: Er is een behoefte aan een model dat de rekenkosten drastisch verlaagt (voor milliseconden-schalen en grote systemen) terwijl het toch de specifieke, residue-niveau interacties en de vorm van het proteïne behoudt om mechanismen van zelfassemblage te kunnen modelleren.

Methodologie: Het CGRig Framework

De auteurs introduceren CGRig, een nieuw model dat proteïnen behandelt als stijve lichamen (rigid bodies) met ingebedde interactiepunten op residue-niveau.

1. Dynamica en Integratie:

   • Elk proteïne is één stijf lichaam. Interne bewegingen worden genegeerd, wat grote tijdstappen mogelijk maakt.
   • De beweging (translatie en rotatie) wordt beschreven door de overgedempte Langevin-vergelijking.
   • Een cruciaal kenmerk is het gebruik van een volledige 6x6 wrijvingsmatrix ($\Xi$) die afhankelijk is van de vorm van het proteïne. Dit houdt rekening met de koppeling tussen translatie en rotatie en de anisotrope wrijving, in tegenstelling tot vereenvoudigde bol- of ellipsoïde benaderingen.
   • De matrix wordt berekend via US-SOMO op basis van de atomaire coördinaten.

2. Interactiepotentiaal (NELVEX):

   • Het model gebruikt een residue-niveau representatie (C$\alpha$-atomen).
   • De totale potentiaal ($U$) bestaat uit drie termen, samengevat als NELVEX:
     • Native Contact (Go̅-achtig): Interacties tussen residue-paren die in de referentiestructuur dicht bij elkaar liggen. De sterkte ($H_{ij}$) wordt geoptimaliseerd via force-matching tegen AA-MD-trajectoria. Dit zorgt voor zowel aantrekkende als afstotende krachten, afhankelijk van de context.
     • Elektrostatica: Beschreven door Debye-Hückel-theorie voor geladen residueën.
     • Volume-exclusie: Een cosinus-gebaseerde afstotingspotentiaal voor niet-natieve paren om overlapping te voorkomen.

3. Implementatie:

   • Het model is geïmplementeerd als een plugin voor LAMMPS.
   • Het maakt gebruik van CPU-multithreading (OPENMP) en GPU-offloading (KOKKOS) voor hoge prestaties.

Belangrijkste Bijdragen

• Hybride aanpak: Combinatie van de rekenefficiëntie van stijve lichamen met de specificiteit van residue-niveau interacties.
• Formele wrijvingskoppeling: Implementatie van een volledige wrijvingsmatrix die translatie-rotatiekoppeling correct beschrijft voor willekeurige vormen.
• Force-matching parameterisatie: Een methode om de native contact-potentiaal af te stemmen op atomaire referentiesimulaties, waardoor de stabiliteit van complexe structuren wordt verbeterd ten opzichte van standaard CG-potentialen.

Resultaten

1. Validatie van Diffusie (Ubiquitine):

   • CGRig reproduceerde nauwkeurig de translatie- en rotatiediffusiecoëfficiënten die theoretisch worden voorspeld door de wrijvingsmatrix.
   • Alleen het gebruik van de volledige wrijvingsmatrix (niet de bol- of ellipsoïde benadering) kon de anisotrope rotatiedynamiek correct modelleren.

2. Stabiliteit van Dimeren:

   • Bij simulaties van 11 verschillende proteïnedimeren bleven de native complexen stabiel met de NELVEX-potentiaal.
   • Bestaande CG-potentialen (HPS-Urry, KH, Mpipi) leidden tot dissociatie van de complexen, wat aantoont dat NELVEX de benodigde structurele specificiteit biedt.
   • Het model bleek stabiel met tijdstappen van 0,5 ps (en tot 1,0 ps voor sommige systemen), wat 250x sneller is dan AA-simulaties.

3. Associatiekinetiek (Barnase-Barstar):

   • Simulaties startend vanuit een gescheiden toestand resulteerden in de vorming van het native complex.
   • De berekende associatiesnelheidsconstante ($k_{on}$) kwam overeen met waarden uit AA-MD-simulaties voor het vormen van een "encounter complex", maar was ongeveer 5x hoger dan experimentele waarden. Dit wordt toegeschreven aan het ontbreken van desolvatatie en geïnduceerde pasvorm-processen in het stijve model.

4. Grootschalige Assemblage (Tubuline):

   • Het model werd succesvol toegepast op de zelfassemblage van 16 tubuline-dimeren.
   • Het model reproduceerde de voorkeur voor longitudinale oligomerisatie en de vorming van intermediaten, wat consistent is met eerdere studies.

5. Prestaties:

   • Voor een systeem van 1.024 tubuline-subunits bereikte de GPU-versie een snelheid van 17,8 $\mu$s per dag.
   • Dit maakt het mogelijk om simulaties van milliseconden-duur uit te voeren voor systemen met duizenden proteïnen op één GPU.

Significantie

CGRig biedt een krachtig nieuw kader voor het bestuderen van grootschalige biomoleculaire zelfassemblage (zoals microtubuli-vorming) over tijdschalen die voorheen ontoegankelijk waren.

• Het overbrugt de kloof tussen de noodzaak voor enorme ruimtelijke en temporele schaalvergroting en het behoud van structurele specificiteit.
• Het model is ideaal voor het onderzoeken van nucleatiemechanismen en de vroege stadia van proteïne-aggregatie.
• Hoewel het model momenteel beperkt is tot stijve lichamen (wat flexibiliteit en intrinsiek ongeordende gebieden uitsluit), vormt het een robuuste basis voor toekomstige multi-resolutie ontwikkelingen.

Kortom, CGRig stelt onderzoekers in staat om complexe proteïne-interacties en assemblageprocessen te simuleren met een ongeëvenaarde balans tussen rekenefficiëntie en structurele nauwkeurigheid.