Лекция 5: Методы численного моделирования




Скачать 24.86 Kb.
PDF просмотр
НазваниеЛекция 5: Методы численного моделирования
Дата конвертации16.10.2012
Размер24.86 Kb.
ТипЛекция
Лекция 5: Методы численного моделирования
биологических систем: Введение
1
Компьютерное моделирование как новый инструмент
для научных исследований
Компьютерное моделирование берёт своё начала со времён развития первых компьютеров
в 40-50х годах прошлого века, а первое применение компьютеров для Молекулярной Дина-
мики датируется 1956 годом. В наше время, компьютерное моделирование стало стандарт-
ным инструментом, используемым исследователями для большого спектра научных задач.
Нужда в применении вычислительного эксперимента возникает из-за большого числа на-
учных задач, которые не поддаются аналитическому решению (с помощью "карандаша и
бумаги").
Компьютерное моделирование тесно связано как с натурным экспериментом так и с
теоритическими исследованиями: Эксперимент↔Моделирование↔Теория.
1. Модели, используемые в компьютерном моделировании базируются на теоритиче-
ском приближении. Соответственно, моделирование может быть использовано для
проверки теории.
2. Компьютерное моделирование само по себе не предлагает физического понимания.
Результаты моделирования необходимо обрабатывать при помощи теоритических зна-
ний.
1

3. Компьютерное моделирование не может полностью заменить эксперимент, так как в
моделировании результат зависит от изначально заданной модели. Поэтому, модели-
рование очень сильно связано с экспериментом и требует экспериментальных данных
для проверки результата. Часто, эксперимент предоставляет начальные условия для
компьютерного моделирования.
Моделирование может быть использовано для предсказания свойств материалов в экст-
римальных условиях (высокой температуре, давлении) или для изучения свойств сложных
систем (например, сворачивание белков или их аггрегация). Последнее особенно важно, так
как благодаря этим возможностям моделирования, оно сейчас находится на острие науч-
ных исследований.
2
Молекулярное моделирование
Рентгеновская кристаллография может предоставить неподвижную картину взаимного
расположения аминокислот в нативном состоянии белка. Однако в физиологической среде
большинство белков могут менять свою структуру благодаря локальным движениям ато-
мов белка под действием обычной внешней среды (нормальная кислотность, температура,
давление, ионная сила) [1]. Более того, во многих случаях локальные структурные измене-
ния (например, переход из одного подсостояния в другое) могут играть столь же важную
роль в биологической функции белка, что и глобальные конформационные изменения (та-
кие как диссоциация белок-белковых комплексов или денатурация белков). В некоторых
случаях удаётся получить несколько промежуточных структур, кристаллизуя белок при
различных условиях среды или используя методы Ядерного Магнитного Резонанса (ЯМР).
Но даже в таких случаях получить информацию о механизме того или иного конформаци-
онного изменения, его кинетических и термодинамических свойствах практически невоз-
можно. Вычислительные методы, такие как Молекулярная Динамика (МД) и Динамика
Ланжевена (ДЛ), способны заполнить этот пробел, предоставив динамическую картину
микромолекулярных движений, дополнив экспериментальные результаты. Эти продвину-
2

тые вычислительные методы могут предоставить нам максимально детальные знания о
динамике биологических молекул, движении их структурных и функциональных фраг-
ментов, поведении элементов вторичной структуры [1–5].
Как правило, при моделировании биологической задачи N тел, приходится искать ком-
промисс между уровнем детализации и скоростью расчёта. Выбор правильного уровня
детализации позволяет исследователям решать конкретные задачи, возникающие для той
или иной биологической системы. Для некоторых из них необходимо использовать более
детальное полноатомное приближение (МД), иногда же более точные результаты можно
получить при помощи упрощённой модели (ДЛ). В то время, как МД более точный под-
ход к моделированию, ДЛ позволяет моделировать на биологически-важных временных
интервалах (мс-с). Численные процедуры, используемые в обоих методах, очень похожи.
Взаимодействия между частицами (например, силы Ван-дер-Ваальса, электростатические
взаимодействия, ковалентные связи) описываются при помощи потенциальной функции
(силового поля). Эта функция зависит от координат всех частиц (атомов и групп атомов),
их типов, зарядов и описываемых степеней свободы (вибраций, поворотов,торсионных вра-
щений и т.д.). Используя силовое поле, рассчитываются атомарные и молекулярные силы,
действующие на все частицы в системе. Затем, частицы перемещаются согласно законам
движения (Ньютона или Ланжевена).
Так как молекулярное моделирование основывается на эмпирической функции взаимо-
действия между частицами, результаты моделирования должны быть сравнены с тем или
иным экспериментом. Это делается для того, чтобы убедиться в точности параметров и
функций силового поля. Но, в силу того, что временные шкалы эксперимента (мс-мин)
и доступная при моделировании в полноатомном разрешении (нс-мкс) не совпадают, пря-
мое сравнение провести практически невозможно. С ростом вычислительных возможно-
стей компьютерной техники, становится возможным увеличить время моделирования, что
иногда позволяет найти новые недостатки современных силовых полей [6, 7]. Последние
постоянно претерпевают изменения: появляются новые наборы параметров, изменяется
функциональная часть, вводится зависимость между параметрами разных частей потен-
3


Рис. 1: Примерные временные интервалы достигаемые на одном ЦП для различных раз-
меров систем и разных способов моделирования. На графике изображены различные си-
стемы: домен титина Ig27, мономер фибриногена и капсид HK97, для которых стрелкой
показаны примерные размеры в атомах. Справа показаны размеры систем, получаемых
при моделировании в явном растворителе (сверху), в неявном растворителе (посередине)
и при использовании упрощённой C -модели. Видно, системы размера фибриногена уже
α
невозможно моделировать на экспериментальном временном интервале с использованием
ЦП.
циальной функции [8]. Кроме улучшения аппаратной части, можно применять и другие
способы увеличения производительности вычислений. Среди таких способов использование
неявного растворителя и упрощение моделей биомолекул. При использовании упрощённых
моделей число рассматриваемых степеней свободы уменьшается, так как остаются только
те, которые важны для решаемой задачи. Обычно в упрощённых моделях одна амино-
кислота белка или одна нуклеиновая кислота ДНК/РНК рассматривается как отдельная
частица или пара частиц [9–11]. В силу того, что при этом структурные единицы систе-
мы увеличиваются в размерах, шаг по времени также может быть увеличен. Из-за того,
что при применении данного подхода вычислительная точность ниже, чем в полноатомном
разрешении, упрощённые модели часто разрабатываются для моделирования конкретных
4

свойств биомолекул. Например, модель SOP была разработана для описания механических
свойств [11–14], существуют также модели для описания белок-белковых взаимодействий
[15], фолдинга белков [9, 16] и так далее. Использование неявного растворителя также
позволяет уменьшить количество степеней свободы. В данных схемах механическое воз-
действие воды описывается при помощи случайной силы, действующей на атомы системы,
а энергетическое воздействие (гидрофобный эффект, заземление электростатических взаи-
модействий) описывается при помощи дополнительной потенциальной функции. При этом
межатомные взаимодействия описываются также, как и когда вода представлена явно (при
моделировании в явном растворителе). Применение неявного растворителя не только по-
могает ускорить вычислительный процесс, он также более привлекателен для некоторых
задач, так как можно явно оценить энергетическую составляющую действия растворителя
на биомолекулу, а также быстрее менять её макросостояния.
5

Список литературы
[1] M. Karplus and J. A. McCammon, “Molecular dynamics simulations of biomolecules,” Nature
Struct. Biol., vol. 9, no. 9, pp. 646–652, 2002.
[2] J. C. Phillips, R. Braun, W. Wang, J. Gumbart, E. Tajkhorshid, E. Villa, C. Chipot, R. D. Skeel,
L. Kal´e, and K. Schulten, “Scalable molecular dynamics with NAMD,” J. Comput. Chem., vol. 26,
pp. 1781–1802, 2005.
[3] B. Hess, C. Kutzner, D. van der Spoel, and E. Lindahl, “GROMACS 4: Algorithms for highly
efficient, load-balanced, and scalable molecular simulation,” J. Chem. Theory Comput., vol. 4,
pp. 435–447, 2008.
[4] B. R. Brooks, C. L. Brooks, III, A. D. Mackerell, L. Nilsson, R. J. Petrella, B. Roux, Y. Won,
G. Archontis, C. Bartels, S. Boresch, A. Caflisch, L. Caves, Q. Cui, A. R. Dinner, M. Feig, S. Fischer,
J. Gao, M. Hodoscek, W. Im, K. Kuczera, T. Lazaridis, J. Ma, V. Ovchinnikov, E. Paci, R. W.
Pastor, C. Post, J. Z. Pu, M. Schaefer, B. Tidor, R. M. Venable, H. L. Woodcock, X. Wu, W. Yang,
D. M. York, and M. Karplus, “CHARMM: The biomolecular simulation program,” J. Comput.
Chem., vol. 30, no. 10, pp. 1545–1614, 2009.
[5] D. A. Case, T. E. Cheatham, T. Darden, H. Gohlke, R. Luo, K. M. Merz, A. Onufriev,
C. Simmerling, B. Wang, and R. J. Woods, “The Amber biomolecular simulation programs,” J.
Comput. Chem., vol. 26, no. 16, pp. 1668–1688, 2005.
[6] A. D. MacKerell, “Empirical force fields for biological macromolecules: Overview and issues,” J.
Comput. Chem., vol. 25, no. 13, pp. 1584–1604, 2004.
[7] R. B. Best, N.-V. Buchete, and G. Hummer, “Are current molecular dynamics force fields too
helical?,” Biophys J., vol. 95, no. 1, pp. L07–L09, 2008.
[8] T. A. Halgren and W. Damm, “Polarizable force fields,” Cur. Opin. Struct. Biol., vol. 11, no. 2,
pp. 236 – 242, 2001.
[9] V. Tozzini, “Coarse-grained models for proteins,” Curr. Opin. Struct. Biol., vol. 15, no. 2, pp. 144
– 150, 2005.
6

[10] C. Clementi, “Coarse-grained models of protein folding: toy models or predictive tools?,” Curr.
Opin. Struct. Biol., vol. 18, no. 1, pp. 10–15, 2008.
[11] C. Hyeon, R. I. Dima, and D. Thirumalai, “Pathways and kinetic barriers in mechanical unfolding
and refolding of RNA and proteins,” Structure, vol. 14, pp. 1633–1645, 2006.
[12] C. Hyeon and J. N. Onuchic, “Internal strain regulates the nucleotide binding site of the kinesin
leading head,” Proc. Natl. Acad. Sci. USA, vol. 104, pp. 2175–2180, 2007.
[13] R. I. D. M. Mickler, H. Dietz, C. Hyeon, D. Thirumalai, and M. Rief, “Revealing the bifurcation
in the unfolding pathways of GFP using single molecule experiments and simulations,” Proc. Natl.
Acad. Sci. USA, vol. 104, pp. 20268–20273, 2007.
[14] R. I. Dima and H. Joshi, “Probing the origin of tubulin rigidity with molecular simulations,” Proc.
Natl. Acad. Sci. USA, vol. 105, no. 41, pp. 15743–15748, 2008.
[15] Y. C. Kim and G. Hummer, “Coarse-grained models for simulations of multiprotein complexes:
Application to ubiquitin binding,” J. Mol. Biol., vol. 375, no. 5, pp. 1416 – 1433, 2008.
[16] S. Wallin, K. B. Zeldovich, and E. I. Shakhnovich, “The folding mechanics of a knotted protein,”
J. Mol. Biol., vol. 368, no. 3, pp. 884 – 893, 2007.
7


Похожие:

Лекция 5: Методы численного моделирования iconПараллельное программирование для ресурсоёмких задач численного моделирования в физике

Лекция 5: Методы численного моделирования iconПараллельное программирование для ресурсоёмких задач численного моделирования в физике

Лекция 5: Методы численного моделирования icon  полярная неоднородность ионосферы, вызванная солнечными 
С  помощью  формального  анализа и  численного  моделирования  показано,  что  полярная неоднородность  нижней  ионо
Лекция 5: Методы численного моделирования iconМоделирование метеорологических процессов
Современная метеорология в значительной степени перешла к масштабному экспериментальному и теорети­ческому изучению количественных...
Лекция 5: Методы численного моделирования icon210100 «Электроника и наноэлектроника» 
Методы математического моделирования   2 
Лекция 5: Методы численного моделирования iconЛекция 2: Современные методы и средства
Институт организации и автоматизации промышленного производства им. Фраунгофера iff
Лекция 5: Методы численного моделирования icon1. Линейное программирование: методы и приложение
Целью курса является обучение студентов основным приемам и методам при решении задач имитационного моделирования инфокоммуникационных...
Лекция 5: Методы численного моделирования iconЛекция 16. Программируем графику  Лекция 17. Программируем гипертекстовые переходы  Лекция 18. Программируем «за кадром»
Лекция  Общие сведения
Лекция 5: Методы численного моделирования iconЗадача моделирования внедрения струй расплава 
Представлены результаты моделирования изгибных возмущений струй расплава в бассейне охладителя и рас
Лекция 5: Методы численного моделирования iconЛекция №1 тема: общая симптоматика гинекологических заболеваний. Методы обследования гинекологических больных
Цель лекции: Обучить студентов общая симптоматика гинекологических заболеваний. Методы обследования гинекологических больных
Разместите кнопку на своём сайте:
TopReferat


База данных защищена авторским правом ©topreferat.znate.ru 2012
обратиться к администрации
ТопРеферат
Главная страница