Enzymes catalyze biochemical reactions through precise positioning of substrates, cofactors, and amino acids to modulate the transition-state free energy. However, the role of conformational dynamics remains poorly understood due to lack of experimental access. This shortcoming is evident with E. coli dihydrofolate reductase (DHFR), a model system for the role of protein dynamics in catalysis, for which it is unknown how the enzyme regulates the different active site environments required to facilitate proton and hydride transfer. Here, we present ligand-, temperature-, and electric-field-based perturbations during X-ray diffraction experiments that enable identification of coupled conformational changes in DHFR. We identify a global hinge motion and local networks of structural rearrangements that are engaged by substrate protonation to regulate solvent access and promote efficient catalysis. The resulting mechanism shows that DHFR's two-step catalytic mechanism is guided by a dynamic free energy landscape responsive to the state of the substrate.

A bstract Single-wavelength anomalous diffraction (SAD) is a routine method for overcoming the phase problem when solving a new macromolecular structure. This technique requires the accurate measurement of intensities to sensitively determine differences across Bijvoet pairs, making it a stringent test for the reliability of a data collection method. Although SAD experiments are commonly conducted at cryogenic temperatures to mitigate the effects of radiation damage, such temperatures can alter the conformational ensemble of the protein crystal and may impede the merging of data from multiple crystals due to non-uniform freezing. Here, we propose a data collection strategy to obtain high-quality data from room temperature samples. To illustrate the strengths of this approach we use native SAD phasing at 6.5 keV to solve four structures of three model systems at 295 K. The resulting datasets allow for automatic phasing and model building, and exhibit alternate conformations that are well-supported by the electron density. The high-redundancy data collection method demonstrated here enables the routine collection of high-quality, room-temperature diffraction to improve the study of protein conformational ensembles.

Abstract Chemical and conformational changes underlie the functional cycles of proteins. Comparative crystallography can reveal these changes over time, over ligands, and over chemical and physical perturbations in atomic detail. A key difficulty, however, is that the resulting observations must be placed on the same scale by correcting for experimental factors. We recently introduced a Bayesian framework for correcting (scaling) X-ray diffraction data by combining deep learning with statistical priors informed by crystallographic theory. To scale comparative crystallography data, we here combine this framework with a multivariate statistical theory of comparative crystallography. By doing so, we find strong improvements in the detection of protein dynamics, element-specific anomalous signal, and the binding of drug fragments.

Most X-ray sources are inherently polychromatic. Polychromatic (“pink”) X-rays provide an efficient way to conduct diffraction experiments as many more photons can be used and large regions of reciprocal space can be probed without sample rotation during exposure—ideal conditions for time-resolved applications. Analysis of such data is complicated, however, causing most X-ray facilities to discard > 99% of X-ray photons to obtain monochromatic data. Key challenges in analyzing polychromatic diffraction data include lattice searching, indexing and wavelength assignment, correction of measured intensities for wavelength-dependent effects, and deconvolution of harmonics. We recently described an algorithm, Careless, that can perform harmonic deconvolution and correct measured intensities for variation in wavelength when presented with integrated diffraction intensities and assigned wavelengths. Here, we present Laue-DIALS, an open-source software pipeline that indexes and integrates polychromatic diffraction data. Laue-DIALS is based on the dxtbx toolbox, which supports the DIALS software commonly used to process monochromatic data. As such, Laue-DIALS provides many of the same advantages: an open-source, modular, and extensible architecture, providing a robust basis for future development. We present benchmark results showing that Laue-DIALS, together with Careless, provides a suitable approach to the analysis of polychromatic diffraction data, including for time-resolved applications.

Proteins are dynamic macromolecules. Knowledge of a protein's thermally accessible conformations is critical to determining important transitions and designing therapeutics. Accessible conformations are highly constrained by a protein's structure such that concerted structural changes due to external perturbations likely track intrinsic conformational transitions. These transitions can be thought of as paths through a conformational landscape. Crystallographic drug fragment screens are high-throughput perturbation experiments, in which thousands of crystals of a drug target are soaked with small-molecule drug precursors (fragments) and examined for fragment binding, mapping potential drug binding sites on the target protein. Here, we describe an open-source Python package, COLAV (COnformational LAndscape Visualization), to infer conformational landscapes from such large-scale crystallographic perturbation studies. We apply COLAV to drug fragment screens of two medically important systems: protein tyrosine phosphatase 1B (PTP-1B), which regulates insulin signaling, and the SARS CoV-2 Main Protease (MPro). With enough fragment-bound structures, we find that such drug screens also enable detailed mapping of proteins' conformational landscapes.