Abstract The causative pathogen of Coronavirus disease 2019 (COVID-19), severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2), is an enveloped virus assembled by a lipid envelope and multiple structural proteins. In this study, by integrating experimental data, structural modeling, and coarse-grained molecular dynamics simulations, we constructed multiscale models of SARS-CoV-2. Our 500-ns coarse-grained simulation of the intact virion allowed us to investigate the dynamic behavior of the membrane-embedded proteins and the surrounding lipid molecules in situ . Our results indicated that the membrane-embedded proteins are highly dynamic, and certain types of lipids exhibit various binding preferences to specific sites of the membrane-embedded proteins. The equilibrated virion model was transformed into atomic resolution, which provided a 3D structure for scientific demonstration and can serve as a framework for future exascale all-atom MD simulations.

Abstract The rapid development of deep learning-based methods has considerably advanced the field of protein structure prediction. The accuracy of predicting the 3D structures of simple proteins is comparable to that of experimentally determined structures, providing broad possibilities for structure-based biological studies. Another critical question is whether and how multistate structures can be predicted from a given protein sequence. In this study, analysis of multiple two-state proteins demonstrated that deep learning-based contact map predictions contain structural information on both states, which suggests that it is probably appropriate to change the target of deep learningbased protein structure prediction from one specific structure to multiple likely structures. Furthermore, by combining deep learning- and physics-based computational methods, we developed a protocol for exploring alternative conformations from a known structure of a given protein, by which we successfully approached the holo-state conformation of a leucine-binding protein from its apo-state structure.

Objective This study aimed to examine the association between e-cigarette (EC) use patterns and health-related symptoms (fatigue, pain, and emotional problems) as well as general quality of life (QoL). Methods Data were analyzed from 7,225 adults across Waves 1–6 of the US Population Assessment of Tobacco and Health (PATH) study. Current combustible cigarette (CC) or EC use patterns included dual CC/EC use, exclusive EC use, non-current use of CC or EC, and exclusive CC smoking. Multivariate linear mixed-effects models were used to investigate longitudinal associations between EC use patterns, and symptom burdens/QoL scores. Results Those who were not currently smoking or vaping reported the lowest fatigue, pain, and emotional problems, and the best QoL, among the four groups (all p < 0.001). Compared to exclusive CC smoking, exclusive EC use was associated with a significant decrease of 0.065 units in average fatigue (95% confidence interval [CI]: −0.121, −0.009), of 0.206 units in average pain (95% CI: −0.355, −0.058), and of 0.103 units in average QoL scores (95% CI: −0.155, −0.051), with emotional problems similar over time. Conclusion Exclusive EC users had less health-related symptoms and better QoL than those who were exclusive CC smokers. This should be taken into account when assessing the harm reduction potential of ECs.