En conclusion, ce projet de maîtrise a permis l’élaboration d’une méthode appelée MemP3 permettant la prédiction de l’orientation et l’insertion d’une protéine dans une membrane modèle.
Pour pouvoir utiliser la méthode MemP3, la structure tridimensionnelle de la protéine d'interêt doit être connue et un fichier PDB contenant la position des atomes doit être disponible. De plus, MemP3 utilise des PMF d’insertion membranaire des chaines latérales des acides aminés qui se trouvent dans la littérature (18) pour une membrane modèle de DOPC. Ces derniers ont été utilisés lors du dévelopement et de la validation de MemP3. D’autres PMF pourraient être utilisées sans modification au code source de MemP3.
Le fichier PDB que MemP3 utilise doit être préparé. Cela implique d’enlever tous les atomes du fichier PDB sauf ceux de la protéine. Par la suite une recherche systématique de l’orientation et de l’insertion est réalisée en positionnant cette structure le long de l’axe des z, soit la normale de la membrane, en variant les angles de rotations autour des axes x et y. Pour déterminer la meilleure orientation et insertion, MemP3 utilise un système de score. Ce dernier est calculé à l’aide des PMF d’insertion membranaire des chaînes latérales des acides aminés et du SASA normalisé des chaînes latérales des acides aminés.
Il a été démontré que MemP3 est capable de prédire avec précision l’orientation et l’insertion des protéines transmembranaires et périphériques. Par contre, la méthode est capable de prédire l'orientation et l'insertion des protéines transmembranaires avec une meilleure précision que pour les protéines périphériques.
6.2 Perspectives
Plusieurs améliorations à la méthode ont été identifiées au cours des travaux. Une première faisant référence aux PMF manquants pour les C-terminal et N-terminal chargés, une deuxième qui permettrait l'utilisation du concept de dynamique moléculaire directement à l'intérieur de MemP3, une troisième qui permettrait de réduire significativement le temps de prédiction de MemP3 et une quatrième amélioration qui consiste en l'utilisation des PMF calculés avec des membranes modèles composées d'autres phospholipides que ceux déjà utilisèes.
Une amélioration qui pourrait être apportée à MemP3 consiste à ajouter des PMF chargés pour les parties C-terminal et N-terminal des peptides. Cette amélioration permettra de prédire l’orientation et l’insertion des petits peptides dans une membrane modèle. De plus, les PMF pour les acides aminés histidine, proline et glycine peuvent être calculés et ainsi augmenter la précision de MemP3.
La méthode MemP3, tel que développée, ne peut être utilisée pour prédire la conformation d’une protéine en contact avec une bicouche lipidique. Par contre, une extension pourrait être ajoutée à MemP3 pour ajouter de la flexibilité aux protéines à l’aide d’une simulation de dynamique moléculaire dans laquelle les PMF seraient utilisées pour dériver des forces. Lors de cette dynamique moléculaire, ces forces seraient appliquées en z sur les atomes des chaines latérales des acides aminés. Ainsi, le système ne contiendrait que les atomes de la protéine et, en fonction de leur position en z, une force serait appliquée sur eux. Cette extension pourrait être une solution au problème présenté dans la section 4.2.
Le temps de calcul d’une prédiction varie selon le nombre de résidus qui forment la protéine. Comme mentionné dans la section 4.3, le temps de calcul peut être amélioré. En effet, la fonction de recherche systématique décrite dans le chapitre 3 peut être remplacée par une fonction de minimisation. Une méthode de minimisation permet de ne pas évaluer toutes les orientations et positions possibles de la protéine. En effet, le but est de minimiser l’équation 1, en utilisant
un algorithme de minimisation locale. Pour éviter que l’algorithme soit pris dans un minimum d’énergie local, plusieurs positions de départ devent être utilisées. Dans ce cas, l’algorithme de minimisation locale sera exécuté pour chaque position de départ. La position avec l’énergie la plus petite est considérée comme étant la meilleure prédiction. L’utilisation d’un tel algorithme permet de ne plus calculer le score pour chacune des positions et orientations de la protéine, ce qui permettrait de diminuer considérablement le temps de calcul de la méthode. En bref, l'utilisation d'un algorithme de minimisation plus sophistiqué pourrait effectuer une recherche en effectuant moins de recherches conformationnelles.
La manière dont MemP3 a été développé permet l’utilisation des PMF de différents types de membranes modèles. Des PMF d’insertion membranaire des chaines latérales des acides aminés pour d’autres types de membranes modèle que celle utilisée ici peuvent être calculés. Ainsi, la méthode pourrait être utilisée pour comparer l’orientation et l’insertion d’un protéine dans différentes membranes modèles et évaluer l’impact de ces dernières sur le positionnement de la protéine. Cette extension permet à MemP3 d'être la première méthode qui peut utiliser des membranes modèles différentes. Par contre, ces travaux correspondraient au travail d'un mémoire, voir d'un doctorat.
Bibliographie
1. Pedersen, P. L. (1995) Biochemistry, 2nd edit., edited by Donald Voet and Judith G. Voet. New York: Wiley, 1995, 1392 pages, $86.95, Proteins: Structure, Function, and Genetics 23, 613–613.
2. Berman, H. M. (2000) The Protein Data Bank, Nucleic Acids Res. 28, 235– 242.
3. Krogh, A., Larsson, B., von Heijne, G., and Sonnhammer, E. L. (2001) Predicting transmembrane protein topology with a hidden Markov model: application to complete genomes, J. Mol. Biol. 305, 567–580.
4. Rhéault, J.-F., Gagné, È., Guertin, M., Lamoureux, G., Auger, M., and Lagüe, P. (2015) Molecular model of hemoglobin N from Mycobacterium tuberculosis bound to lipid bilayers: a combined spectroscopic and computational study, Biochemistry 54, 2073–2084.
5. McIntosh, T. J., and Simon, S. A. (2007) Bilayers as protein solvents: role of bilayer structure and elastic properties, J. Gen. Physiol. 130, 225–227.
6. White, S. H., and Wimley, W. C. (1999) Membrane protein folding and stability: physical principles, Annu. Rev. Biophys. Biomol. Struct. 28, 319–365.
7. Hristova, K., Kalina, H., Wimley, W. C., Mishra, V. K., Anantharamiah, G. M., Segrest, J. P., and White, S. H. (1999) An amphipathic α-helix at a membrane interface: a structural study using a novel X-ray diffraction method, J. Mol. Biol. 290, 99–117.
8. Hohlweg, W., Kosol, S., and Zangger, K. (2012) Determining the Orientation and Localization of Membrane-Bound Peptides, CPPS 13, 267–279.
9. Johnston, A. J., Zhang, Y. R., Busch, S., Pardo, L. C., Imberti, S., and McLain, S. E. (2015) Amphipathic solvation of indole: implications for the role of
tryptophan in membrane proteins, J. Phys. Chem. B 119, 5979–5987. 10. Sansom, M. S. P., Scott, K. A., and Bond, P. J. (2008) Coarse-grained
simulation: a high-throughput computational approach to membrane proteins, Biochem. Soc. Trans. 36, 27–32.
11. Brooks, B. R., Brooks, C. L., 3rd, Mackerell, A. D., Jr, Nilsson, L., Petrella, R. J., Roux, B., Won, Y., Archontis, G., Bartels, C., Boresch, S., Caflisch, A., Caves, L., Cui, Q., Dinner, A. R., Feig, M., Fischer, S., Gao, J., Hodoscek, M., Im, W., Kuczera, K., Lazaridis, T., Ma, J., Ovchinnikov, V., Paci, E., Pastor, R. W., Post, C. B., Pu, J. Z., Schaefer, M., Tidor, B., Venable, R. M., Woodcock, H. L., Wu, X., Yang, W., York, D. M., and Karplus, M. (2009) CHARMM: the biomolecular simulation program, J. Comput. Chem. 30, 1545–1614.
12. Snider, C., Craig, S., Sajith, J., Kalina, H., and White, S. H. (2009) MPEx: A tool for exploring membrane proteins, Protein Sci. 18, 2624–2628.
13. Lomize, M. A., Lomize, A. L., Pogozheva, I. D., and Mosberg, H. I. (2006) OPM: Orientations of Proteins in Membranes database, Bioinformatics 22, 623–625.
14. Tusnady, G. E., Dosztanyi, Z., and Simon, I. (2004) TMDET: web server for detecting transmembrane regions of proteins by using their 3D coordinates, Bioinformatics 21, 1276–1277.
developing coarse-grained models for biomolecular simulation: a review, Phys. Chem. Chem. Phys. 14, 12423.
16. Marrink, S. J., de Vries, A. H., and Mark, A. E. (2004) Coarse Grained Model for Semiquantitative Lipid Simulations, J. Phys. Chem. B 108, 750–760.
17. Lomize, A. L., Pogozheva, I. D., and Mosberg, H. I. (2011) Anisotropic solvent model of the lipid bilayer. 2. Energetics of insertion of small molecules,
peptides, and proteins in membranes, J. Chem. Inf. Model. 51, 930–946. 18. MacCallum, J. L., Drew Bennett, W. F., and Peter Tieleman, D. (2008)
Distribution of Amino Acids in a Lipid Bilayer from Computer Simulations, Biophys. J. 94, 3393–3404.
19. Schlick, T., and Tamar, S. (2002) Molecular Modeling and Simulation.
20. Leach, A. R. (2001) Molecular Modelling: Principles and Applications, Pearson Education.
21. Durham, E., Dorr, B., Woetzel, N., Staritzbichler, R., and Meiler, J. (2009) Solvent accessible surface area approximations for rapid and accurate protein structure prediction, J. Mol. Model. 15, 1093–1108.
22. Humphrey, W., William, H., Andrew, D., and Klaus, S. (1996) VMD: Visual molecular dynamics, J. Mol. Graph. 14, 33–38.
23. Rui, H., Huan, R., Root, K. T., Jinwoo, L., Glover, K. J., and Wonpil, I. (2014) Probing the U-Shaped Conformation of Caveolin-1 in a Bilayer, Biophys. J. 106, 1371–1380.
24. Wu, Z., Zhe, W., and Klaus, S. (2014) Synaptotagmin’s Role in
Neurotransmitter Release Likely Involves Ca2 -induced Conformational Transition, Biophys. J. 107, 1156–1166.
25. Ohkubo, Y. Z., Zenmei Ohkubo, Y., Pogorelov, T. V., Arcario, M. J.,
Christensen, G. A., and Emad, T. (2012) Accelerating Membrane Insertion of Peripheral Proteins with a Novel Membrane Mimetic Model, Biophys. J. 102, 2130–2139.
26. Cojocaru, V., Balali-Mood, K., Sansom, M. S. P., and Wade, R. C. (2011) Structure and dynamics of the membrane-bound cytochrome P450 2C9, PLoS Comput. Biol. 7, e1002152.
27. Berka, K., Paloncýová, M., Anzenbacher, P., and Otyepka, M. (2013) Behavior of human cytochromes P450 on lipid membranes, J. Phys. Chem. B 117, 11556–11564.
28. Rogaski, B., and Klauda, J. B. (2012) Membrane-binding mechanism of a peripheral membrane protein through microsecond molecular dynamics simulations, J. Mol. Biol. 423, 847–861.
29. Légaré, S., and Lagüe, P. (2014) The influenza fusion peptide promotes lipid polar head intrusion through hydrogen bonding with phosphates and N- terminal membrane insertion depth, Proteins 82, 2118–2127.