We describe a framework incorporating straightforward biochemical and computational analysis to guide the characterization and crystallization of large coiled-coil domains. This framework can be adapted for globular proteins or extended to incorporate a variety of high-throughput techniques.
Obtaining crystals for structure determination can be a difficult and time consuming proposition for any protein. Coiled-coil proteins and domains are found throughout nature, however, because of their physical properties and tendency to aggregate, they are traditionally viewed as being especially difficult to crystallize. Here, we utilize a variety of quick and simple techniques designed to identify a series of possible domain boundaries for a given coiled-coil protein, and then quickly characterize the behavior of these proteins in solution. With the addition of a strongly fluorescent tag (mRuby2), protein characterization is simple and straightforward. The target protein can be readily visualized under normal lighting and can be quantified with the use of an appropriate imager. The goal is to quickly identify candidates that can be removed from the crystallization pipeline because they are unlikely to succeed, affording more time for the best candidates and fewer funds expended on proteins that do not produce crystals. This process can be iterated to incorporate information gained from initial screening efforts, can be adapted for high-throughput expression and purification procedures, and is augmented by robotic screening for crystallization.
جعلت تحديد هيكل عبر البلورات بالأشعة السينية مساهمات أساسية في كل ميدان من ميادين علم الأحياء الحديث. تقديم وجهة نظر الذري من الجزيئات التي تدعم الحياة وكيفية تفاعلها مع بعضها البعض في مجموعة متنوعة من السياقات. مما يتيح لنا فهم الآليات التي تسبب المرض، وتوفير فرص لتصميم بعقلانية الأدوية لعلاج المرض. وقد البلورات منذ فترة طويلة تقنية تجريبية المهيمنة لتحديد بنية الجزيئات، ويمثل في الوقت الحالي 89.3٪ من قاعدة البيانات الهيكلية (www.rcsb.org). هذه التقنية لديها العديد من المزايا، بما في ذلك القدرة على دقة عالية جدا، والقدرة على تصور الجزيئات مع مجموعة واسعة من الأحجام، وجمع البيانات بسهولة نسبيا، وإتاحة الفرصة لتصور كيف يتفاعل جزيء مع المذيبات وكذلك بروابط.
وعلى الرغم من التحسينات التكنولوجية عديدة في المؤتلف تعبير البروتين 1،2، بورification 3، والبيولوجيا الجزيئية المستخدمة لتوليد هذه الأنظمة 4، وأكبر عقبة واحدة في عملية البلورات لا تزال القدرة على بلورات نوعية الحيود. وقد كان هذا ينطبق بشكل خاص على البروتينات التي تحتوي على مجالات ملفوف لفائف كبيرة. وتشير التقديرات إلى أن ما يصل إلى 5٪ من جميع الأحماض الأمينية وجدت داخل لفائف الملفوف 5،6، مما يجعل هذا سمة هيكلية شائعة جدا 7، ولكن هذه البروتينات غالبا ما تكون أكثر صعوبة لتنقية وبلورة من البروتينات الكروية 8-10 . ومما يفاقم ذلك من حقيقة أن المجالات ملفوف لفائف وغالبا ما توجد في إطار بروتين أكبر، لذلك بشكل صحيح التنبؤ حدود هذه المجالات أمر بالغ الأهمية لتجنب إدراج تسلسل غير منظم أو مرن التي غالبا ما تكون مضرة للتبلور.
يحلل هنا نقدم الجمع بين الإطار المفاهيمي على شبكة الإنترنت الحاسوبية مع experimentaبيانات ل من على مقاعد البدلاء، لمساعدة المستخدمين على دليل من خلال المراحل الأولى من عملية البلورات بما في ذلك: كيفية تحديد جزء من البروتين (ق) للدراسات الهيكلية، وكيفية إعداد وتوصيف عينات البروتين قبل محاولات التبلور. ونحن نركز تحليلنا على اثنين من البروتينات التي تحتوي على مجالات ملفوف لفائف كبيرة، شروم (SHRM) ورو-كيناز (الصخرة). وقد تم اختيار هذه البروتينات لأن كلا منهما يحتوي على المجالات ملفوف لفائف ومعروفة لتشكيل معقد 11-16 بيولوجيا. ومن المتوقع شروم ورو-كيناز (روك) لاحتواء ~ 200 و 680 مخلفات ملفوف لفائف على التوالي، العديد من الأجزاء التي تم التعرف هيكليا 17-20. الطريقة الموصوفة هنا يوفر تبسيط العمل لتحديد أجزاء من ملفوف لفائف تحتوي على البروتين من شأنها أن تكون قابلة للتبلور بسرعة، ومع ذلك، فإن الأساليب المذكورة يمكن بسهولة أن تتكيف لمعظم البروتين أو البروتين المجمعات أو تعديل لدمج الإنتاجية العالية approaالكولينستراز المتاحة و. وأخيرا، وهذه الأساليب هي غير مكلفة عموما، ويمكن أداؤها من قبل المستخدمين في مستويات الخبرة تقريبا.
تم تصميم البروتوكول الموصوفة هنا لمساعدة المستخدم على تحديد حدود نطاق داخل البروتينات ملفوف لفائف كبيرة لتسهيل بلورة بهم. يعتمد البروتوكول على دمج كلي من مجموعة متنوعة من البيانات من التوقعات الحسابية ومصادر أخرى لتوليد سلسلة من حدود نطاق المحتملة. هذه هي تليها مجم…
The authors have nothing to disclose.
This work was supported by grant NIH R01 GM097204 (APV and JDH). Funding for JHM was supplied by an HHMI Undergraduate Research Summer Fellowship.
BL21(DE3) Rosetta | Emd Millipore | 70954-3 | |
BL21(DE3) Star | ThermoFisher Scientific | C601003 | |
BL21(DE3) Codon Plus | Agilent Technologies | 230245 | |
Lysozyme | Spectrum Chemical Mfg Corp | L3008-5GM | |
Ni-NTA resin | Life Technologies | 25216 | |
SubtilisinA | Spectrum Chemical Mfg Corp | S1211-10ML | |
24 well Cryschem Plate | Hampton research | HR3-160 | |
INTELLI-PLATE 96: | Art Robbins Instruments | 102-0001-03 | |
PEG 3350 | Hampton research | HR2-591 | |
PEG 8000 | Hampton research | HR2-515 | |
PEG 400 | Hampton research | HR2-603 | |
PEG 4000 | Hampton research | HR2-605 | |
pcDNA3.1-Clover-mRuby2 | Addgene | 49089 | |
Overnight Express Autoinduction System 1 | Emd Millipore | 71300 | |
Lysogeny Broth powder | ThermoFisher Scientific | 12795027 |