Hispanopedia Wiki
Articulo de referencia

Dinámica molecular

Ejemplo de simulación de dinámica molecular en un sistema simple: deposición de un átomo de cobre (Cu) sobre un cristal frío de cobre ( superficie Miller índice (001) ). Cada cí...

Hispanopedia WikiContenido en espanolLectura gratuita

Ejemplo de simulación de dinámica molecular en un sistema simple: deposición de un átomo de cobre (Cu) sobre un cristal frío de cobre ( superficie Miller índice (001) ). Cada círculo representa la posición de un átomo. La energía cinética del átomo que se aproxima desde arriba se redistribuye entre los demás átomos, de modo que, en lugar de rebotar, permanece adherido debido a las fuerzas de atracción entre ellos.
Las simulaciones de dinámica molecular se utilizan con frecuencia para estudiar sistemas biofísicos. Aquí se muestra una simulación de agua de 100 ps.
Una descripción simplificada del algoritmo estándar de simulación de dinámica molecular, cuando se utiliza un integrador de tipo predictor-corrector. Las fuerzas pueden provenir de potenciales interatómicos clásicos (descritos matemáticamente comoF=−∇V(r→){\displaystyle F=-\nabla V({\vec {r}})}) o mecánica cuántica (descrita matemáticamente comoF=F(Ψ(r→)){\displaystyle F=F(\Psi ({\vec {r}}))}) métodos. Existen grandes diferencias entre los distintos integradores; algunos no tienen exactamente los mismos términos de orden superior como se indica en el diagrama de flujo, muchos también utilizan derivadas de tiempo de orden superior y algunos utilizan tanto el paso de tiempo actual como el anterior en esquemas de paso de tiempo variable.

La dinámica molecular ( DM ) es un método de simulación computacional para analizar los movimientos físicos de átomos y moléculas . Se permite que los átomos y las moléculas interactúen durante un período de tiempo fijo, lo que proporciona una visión de la "evolución" dinámica del sistema. En la versión más común, las trayectorias de los átomos y las moléculas se determinan resolviendo numéricamente las ecuaciones de movimiento de Newton para un sistema de partículas interactuantes, donde las fuerzas entre las partículas y sus energías potenciales se calculan a menudo utilizando potenciales interatómicos o campos de fuerza mecánicos moleculares . Las simulaciones de DM se aplican ampliamente en física química , ciencia de los materiales y biofísica . [ 1 ]

Dado que los sistemas moleculares suelen estar compuestos por un gran número de partículas, resulta imposible determinar analíticamente las propiedades de sistemas tan complejos . La simulación de dinámica molecular (DM) sortea este problema mediante métodos numéricos . Sin embargo, las simulaciones de DM prolongadas presentan un mal condicionamiento matemático , lo que genera errores acumulativos en la integración numérica que pueden minimizarse con una selección adecuada de algoritmos y parámetros, pero no eliminarse por completo.

Para sistemas que obedecen la hipótesis ergódica , la evolución de una simulación de dinámica molecular puede utilizarse para determinar las propiedades termodinámicas macroscópicas del sistema: los promedios temporales de un sistema ergódico corresponden a los promedios de conjunto microcanónicos . La dinámica molecular también se ha denominado " mecánica estadística por números" y " la visión de Laplace de la mecánica newtoniana " de predecir el futuro animando las fuerzas de la naturaleza [ 2 ] y permitiendo comprender el movimiento molecular a escala atómica.

Historia

La dinámica molecular (DM) se desarrolló originalmente a principios de la década de 1950, tras los éxitos previos de las simulaciones de Monte Carlo —que a su vez se remontan al siglo XVIII, como en el problema de la aguja de Buffon— , pero fue popularizada para la mecánica estadística en el Laboratorio Nacional de Los Alamos por Marshall Rosenbluth y Nicholas Metropolis en lo que hoy se conoce como el algoritmo de Metropolis-Hastings . El interés por la evolución temporal de los sistemas de N cuerpos se remonta mucho antes, al siglo XVII, comenzando con Isaac Newton , y continuó en el siglo siguiente, centrándose principalmente en la mecánica celeste y cuestiones como la estabilidad del Sistema Solar . Muchos de los métodos numéricos utilizados hoy en día se desarrollaron durante este período, anterior al uso de ordenadores; por ejemplo, el algoritmo de integración más común en la actualidad, el algoritmo de integración de Verlet , fue utilizado ya en 1791 por Jean Baptiste Joseph Delambre . Los cálculos numéricos con estos algoritmos pueden considerarse DM realizados "a mano".

Ya en 1941, la integración de las ecuaciones de movimiento de muchos cuerpos se llevó a cabo con computadoras analógicas . Algunos emprendieron el trabajo laborioso de modelar el movimiento atómico mediante la construcción de modelos físicos, por ejemplo, utilizando esferas macroscópicas. El objetivo era disponerlas de tal manera que replicaran la estructura de un líquido y usar esto para examinar su comportamiento. JD Bernal describe este proceso en 1962, escribiendo: [ 3 ]

... Tomé varias pelotas de goma y las uní con varillas de diferentes longitudes, que iban desde 2,75 hasta 4 pulgadas. Intenté hacerlo de la manera más casual posible, trabajando en mi oficina, siendo interrumpido cada cinco minutos aproximadamente y sin recordar lo que había hecho antes de la interrupción.

Tras el descubrimiento de partículas microscópicas y el desarrollo de las computadoras, el interés se extendió más allá del campo de pruebas de los sistemas gravitacionales hacia las propiedades estadísticas de la materia. En un intento por comprender el origen de la irreversibilidad , Enrico Fermi propuso en 1953, y publicó en 1955, [ 4 ] el uso de la primitiva computadora MANIAC I , también en el Laboratorio Nacional de Los Alamos , para resolver la evolución temporal de las ecuaciones de movimiento para un sistema de muchos cuerpos sujeto a varias elecciones de leyes de fuerza. Hoy, este trabajo fundamental se conoce como el problema de Fermi-Pasta-Ulam-Tsingou . La evolución temporal de la energía del trabajo original se muestra en la figura de la derecha.

Una de las primeras simulaciones de un sistema de N cuerpos fue realizada en el MANIAC-I por Fermi y sus colaboradores para comprender los orígenes de la irreversibilidad en la naturaleza. Aquí se muestra la energía en función del tiempo para un sistema de 64 partículas.

En 1957, Berni Alder y Thomas Wainwright utilizaron una computadora IBM 704 para simular colisiones perfectamente elásticas entre esferas duras . [ 5 ] En 1960, en quizás la primera simulación realista de la materia, JB Gibson et al . simularon el daño por radiación del cobre sólido utilizando una interacción repulsiva de tipo Born-Mayer junto con una fuerza superficial cohesiva . [ 6 ] En 1964, Aneesur Rahman publicó simulaciones de argón líquido que utilizaron un potencial de Lennard-Jones ; los cálculos de las propiedades del sistema, como el coeficiente de autodifusión , se compararon bien con los datos experimentales. [ 7 ] Hoy en día, el potencial de Lennard-Jones sigue siendo uno de los potenciales intermoleculares más utilizados . [ 8 ] [ 9 ] Se utiliza para describir sustancias simples (también conocido como Lennard-Jonesio [ 10 ] [ 11 ] [ 12 ] ) para estudios conceptuales y de modelos y como un bloque de construcción en muchos campos de fuerza de sustancias reales. [ 13 ] [ 14 ]

Áreas de aplicación y límites

Utilizado inicialmente en física teórica , el método de dinámica molecular ganó popularidad en la ciencia de los materiales poco después, y desde la década de 1970 también se ha utilizado comúnmente en bioquímica y biofísica . La dinámica molecular se utiliza frecuentemente para refinar estructuras tridimensionales de proteínas y otras macromoléculas basándose en restricciones experimentales de cristalografía de rayos X o espectroscopia de RMN . En física, la dinámica molecular se utiliza para examinar la dinámica de fenómenos a nivel atómico que no se pueden observar directamente, como el crecimiento de películas delgadas y la subplantación de iones, y para examinar las propiedades físicas de dispositivos nanotecnológicos que aún no se han creado o no se pueden crear. En biofísica y biología estructural , el método se aplica frecuentemente para estudiar los movimientos de macromoléculas como proteínas y ácidos nucleicos , lo que puede ser útil para interpretar los resultados de ciertos experimentos biofísicos y para modelar interacciones con otras moléculas, como en el acoplamiento de ligandos . En principio, la dinámica molecular (DM) puede utilizarse para la predicción ab initio de la estructura de proteínas mediante la simulación del plegamiento de la cadena polipeptídica a partir de una conformación aleatoria . La DM también puede utilizarse para calcular otras propiedades termodinámicas, como la solubilidad de fármacos y las energías libres de solvatación [ 15 ], incluso en polímeros [ 16 ] .

Los resultados de las simulaciones de MD se pueden probar mediante la comparación con experimentos que miden la dinámica molecular, de los cuales un método popular es la espectroscopia de RMN. Las predicciones de estructura derivadas de MD se pueden probar mediante experimentos a nivel comunitario en la Evaluación Crítica de la Predicción de la Estructura de Proteínas ( CASP ), aunque el método históricamente ha tenido un éxito limitado en esta área. Michael Levitt , quien compartió el Premio Nobel en parte por la aplicación de MD a las proteínas, escribió en 1999 que los participantes de CASP generalmente no usaban el método debido a "... una vergüenza central de la mecánica molecular , a saber, que la minimización de energía o la dinámica molecular generalmente conducen a un modelo que se parece menos a la estructura experimental". [ 17 ] Las mejoras en los recursos computacionales que permiten trayectorias de MD más largas y en mayor cantidad, combinadas con mejoras modernas en la calidad de los parámetros del campo de fuerza , han producido algunas mejoras tanto en la predicción de la estructura como en el refinamiento del modelo de homología , sin llegar al punto de utilidad práctica en estas áreas; muchos identifican los parámetros del campo de fuerza como un área clave para un mayor desarrollo. [ 18 ] [ 19 ] [ 20 ]

Se ha informado de la simulación de MD para el desarrollo de farmacóforos y el diseño de fármacos . [ 21 ] Por ejemplo, Pinto et al . implementaron simulaciones de MD de complejos Bcl-xL para calcular las posiciones promedio de aminoácidos críticos involucrados en la unión del ligando. [ 22 ] Carlson et al . implementaron simulaciones de dinámica molecular para identificar compuestos que complementan un receptor causando una mínima alteración de la conformación y flexibilidad del sitio activo. Se superpusieron instantáneas de la proteína a intervalos de tiempo constantes durante la simulación para identificar regiones de unión conservadas (conservadas en al menos tres de once fotogramas) para el desarrollo de farmacóforos. Spyrakis et al . se basaron en un flujo de trabajo de simulaciones de MD, huellas dactilares para ligandos y proteínas (FLAP) y análisis discriminante lineal (LDA) para identificar las mejores conformaciones ligando-proteína para actuar como plantillas de farmacóforos basadas en el análisis ROC retrospectivo de los farmacóforos resultantes. En un intento por mejorar el modelado de descubrimiento de fármacos basado en la estructura, dada la necesidad de modelar numerosos compuestos, Hatmal et al . propusieron una combinación de simulación de dinámica molecular y análisis de contactos intermoleculares ligando-receptor para discernir los contactos intermoleculares críticos (interacciones de unión) de los redundantes en un único complejo ligando-proteína. Los contactos críticos pueden convertirse posteriormente en modelos farmacofóricos que pueden utilizarse para el cribado virtual. [ 23 ]

Un factor importante son los enlaces de hidrógeno intramoleculares , [ 24 ] que no se incluyen explícitamente en los campos de fuerza modernos, sino que se describen como interacciones de Coulomb de cargas puntuales atómicas . Esta es una aproximación burda porque los enlaces de hidrógeno tienen una naturaleza parcialmente cuántica y química . Además, las interacciones electrostáticas se suelen calcular utilizando la constante dieléctrica del vacío , aunque la solución acuosa circundante tenga una constante dieléctrica mucho mayor. Por lo tanto, el uso de la constante dieléctrica macroscópica a distancias interatómicas cortas es cuestionable. Finalmente, las interacciones de van der Waals en MD se suelen describir mediante potenciales de Lennard-Jones [ 25 ] [ 26 ] basados ​​en la teoría de Fritz London que solo es aplicable en el vacío. Sin embargo, todos los tipos de fuerzas de van der Waals son en última instancia de origen electrostático y, por lo tanto, dependen de las propiedades dieléctricas del entorno . [ 27 ] La ​​medición directa de las fuerzas de atracción entre diferentes materiales (como la constante de Hamaker ) muestra que "la interacción entre hidrocarburos a través del agua es aproximadamente el 10% de la que se produce a través del vacío". [ 27 ] La dependencia del entorno de las fuerzas de van der Waals se ignora en las simulaciones estándar, pero puede incluirse desarrollando campos de fuerza polarizables.

Restricciones de diseño

El diseño de una simulación de dinámica molecular debe tener en cuenta la potencia computacional disponible. El tamaño de la simulación ( n = número de partículas), el paso de tiempo y la duración total deben seleccionarse de manera que el cálculo pueda finalizar en un período de tiempo razonable. Sin embargo, las simulaciones deben ser lo suficientemente largas como para ser relevantes para las escalas de tiempo de los procesos naturales que se estudian. Para obtener conclusiones estadísticamente válidas a partir de las simulaciones, el intervalo de tiempo simulado debe coincidir con la cinética del proceso natural. De lo contrario, es análogo a sacar conclusiones sobre cómo camina un humano observando solo menos de un paso. La mayoría de las publicaciones científicas sobre la dinámica de proteínas y ADN [ 28 ] [ 29 ] utilizan datos de simulaciones que abarcan desde nanosegundos (10⁻⁹ s ) hasta microsegundos ( 10⁻⁶ s). Para obtener estas simulaciones, se necesitan varios días o años de CPU. Los algoritmos paralelos permiten distribuir la carga entre las CPU ; un ejemplo es el algoritmo de descomposición espacial o de fuerza. [ 30 ]

Durante una simulación de dinámica molecular clásica, la tarea que más recursos de CPU consume es la evaluación del potencial en función de las coordenadas internas de las partículas. Dentro de esa evaluación de energía, la parte más costosa es la de interacciones no enlazadas o no covalentes. En notación de la gran O , las simulaciones comunes de dinámica molecular escalan porO(norte2){\displaystyle O(n^{2})}si todas las interacciones electrostáticas y de van der Waals por pares deben tenerse en cuenta explícitamente. Este coste computacional puede reducirse empleando métodos electrostáticos como la suma de Ewald de malla de partículas (O(norteregistro⁡(norte)){\displaystyle O(n\log(n))}), malla partícula-partícula-partícula ( P 3 M ), o buenos métodos de corte esférico (O(norte){\displaystyle O(n)}).

Otro factor que influye en el tiempo total de CPU necesario para una simulación es el tamaño del paso de integración. Este es el intervalo de tiempo entre evaluaciones del potencial. El paso de tiempo debe elegirse lo suficientemente pequeño para evitar errores de discretización (es decir, menor que el período relacionado con la frecuencia vibracional más rápida del sistema). Los pasos de tiempo típicos para la dinámica molecular clásica son del orden de 1  femtosegundo (10⁻¹⁵ s ). Este valor puede extenderse utilizando algoritmos como el algoritmo de restricción SHAKE , que fija las vibraciones de los átomos más rápidos (por ejemplo, los hidrógenos). También se han desarrollado métodos de escala de tiempo múltiple, que permiten tiempos extendidos entre actualizaciones de fuerzas de largo alcance más lentas. [ 31 ] [ 32 ] [ 33 ]

Para simular moléculas en un disolvente , se debe elegir entre un disolvente explícito e implícito . Las partículas de disolvente explícito (como los modelos de agua TIP3P , SPC/E y SPC-f ) deben calcularse de forma costosa mediante el campo de fuerza, mientras que los disolventes implícitos utilizan un enfoque de campo medio . El uso de un disolvente explícito es computacionalmente costoso, ya que requiere la inclusión de aproximadamente diez veces más partículas en la simulación. Sin embargo, la granularidad y la viscosidad del disolvente explícito son esenciales para reproducir ciertas propiedades de las moléculas del soluto. Esto es especialmente importante para reproducir la cinética química .

En todo tipo de simulaciones de dinámica molecular, el tamaño de la caja de simulación debe ser lo suficientemente grande para evitar artefactos en las condiciones de contorno . Estas condiciones suelen tratarse eligiendo valores fijos en los bordes (lo que puede generar artefactos) o empleando condiciones de contorno periódicas en las que un lado de la simulación regresa al lado opuesto, imitando una fase volumétrica (lo que también puede generar artefactos).

Representación esquemática del muestreo de la superficie de energía potencial del sistema mediante dinámica molecular (en rojo) en comparación con los métodos de Monte Carlo (en azul).

Conjunto microcanónico (NVE)

En el ensamble microcanónico , el sistema está aislado de los cambios en moles (N), volumen (V) y energía (E). Corresponde a un proceso adiabático sin intercambio de calor. Una trayectoria de dinámica molecular microcanónica puede verse como un intercambio de energía potencial y cinética, conservándose la energía total. Para un sistema de N partículas con coordenadasincógnita{\displaystyle X}y velocidadesV{\displaystyle V}, el siguiente par de ecuaciones diferenciales de primer orden se puede escribir en la notación de Newton como

F(incógnita)=−∇U(incógnita)=METROV˙(t){\displaystyle F(X)=-\nabla U(X)=M{\dot {V}}(t)}
V(t)=incógnita˙(t).{\displaystyle V(t)={\dot {X}}(t).}

La función de energía potencialU(incógnita){\displaystyle U(X)}del sistema es función de las coordenadas de la partículaincógnita{\displaystyle X}Se le conoce simplemente como potencial en física o campo de fuerza en química. La primera ecuación proviene de las leyes del movimiento de Newton ; la fuerzaF{\displaystyle F}La acción sobre cada partícula del sistema se puede calcular como el gradiente negativo deU(incógnita){\displaystyle U(X)}.

Para cada paso de tiempo, la posición de cada partículaincógnita{\displaystyle X}y velocidadV{\displaystyle V}puede integrarse con un método integrador simpléctico como la integración de Verlet . La evolución temporal deincógnita{\displaystyle X}yV{\displaystyle V}Se denomina trayectoria. Dadas las posiciones iniciales (por ejemplo, a partir del conocimiento teórico) y las velocidades (por ejemplo, gaussianas aleatorias ), podemos calcular todas las posiciones y velocidades futuras (o pasadas).

Una fuente frecuente de confusión es el significado de temperatura en la dinámica molecular. Generalmente, tenemos experiencia con temperaturas macroscópicas, que involucran una gran cantidad de partículas, pero la temperatura es una magnitud estadística. Si hay un número suficientemente grande de átomos, la temperatura estadística se puede estimar a partir de la temperatura instantánea , que se obtiene igualando la energía cinética del sistema a nk B T /2, donde n es el número de grados de libertad del sistema.

Un fenómeno relacionado con la temperatura surge debido a la pequeña cantidad de átomos que se utilizan en las simulaciones de MD. Por ejemplo, considérese la simulación del crecimiento de una película de cobre comenzando con un sustrato que contiene 500 átomos y una energía de deposición de 100 eV . En el mundo real, los 100 eV del átomo depositado se transportarían rápidamente a través y se compartirían entre una gran cantidad de átomos (1010{\displaystyle 10^{10}}o más) sin grandes cambios de temperatura. Sin embargo, cuando solo hay 500 átomos, el sustrato se vaporiza casi inmediatamente por la deposición. Algo similar ocurre en las simulaciones biofísicas. La temperatura del sistema en NVE aumenta naturalmente cuando macromoléculas como las proteínas experimentan cambios conformacionales exotérmicos y se unen.

Conjunto canónico (NVT)

En el ensamble canónico , la cantidad de sustancia (N), el volumen (V) y la temperatura (T) se conservan. También se le conoce a veces como dinámica molecular a temperatura constante (CTMD). En NVT, la energía de los procesos endotérmicos y exotérmicos se intercambia con un termostato .

Existen diversos algoritmos de termostato para añadir y eliminar energía de los límites de una simulación de dinámica molecular de forma más o menos realista, aproximando el ensamble canónico . Entre los métodos más comunes para controlar la temperatura se encuentran el reescalado de velocidad, el termostato de Nosé-Hoover , las cadenas de Nosé-Hoover, el termostato de Berendsen , el termostato de Andersen y la dinámica de Langevin . El termostato de Berendsen puede introducir el efecto del cubo de hielo volador , que provoca traslaciones y rotaciones no físicas del sistema simulado.

No es trivial obtener una distribución canónica de conformaciones y velocidades mediante estos algoritmos. La forma en que esto depende del tamaño del sistema, la elección del termostato, los parámetros del termostato, el paso de tiempo y el integrador es objeto de numerosos artículos en este campo.

Conjunto isotérmico-isobárico (NPT)

En el sistema isotérmico-isobárico , la cantidad de sustancia (N), la presión (P) y la temperatura (T) se conservan. Además de un termostato, se necesita un barostato . Este se corresponde mejor con las condiciones de laboratorio, con un matraz abierto a la temperatura y presión ambiente.

En la simulación de membranas biológicas , el control de presión isotrópica no es apropiado. Para las bicapas lipídicas , el control de presión se produce bajo un área de membrana constante (NPAT) o una tensión superficial constante "gamma" (NPγT).

Conjuntos generalizados

El método de intercambio de réplicas es un método de conjunto generalizado. Fue creado originalmente para abordar la dinámica lenta de sistemas de espín desordenados. También se le conoce como templado paralelo. La formulación de dinámica molecular de intercambio de réplicas (REMD) [ 34 ] intenta superar el problema de los mínimos múltiples intercambiando la temperatura de réplicas no interactuantes del sistema que opera a varias temperaturas.

Potenciales en simulaciones de dinámica molecular

Una simulación de dinámica molecular requiere la definición de una función potencial, o una descripción de los términos mediante los cuales interactuarán las partículas en la simulación. En química y biología, esto se suele denominar campo de fuerza y ​​en física de materiales, potencial interatómico . Los potenciales pueden definirse con diversos niveles de precisión física; los más utilizados en química se basan en la mecánica molecular e incorporan un tratamiento de mecánica clásica de las interacciones partícula-partícula que puede reproducir cambios estructurales y conformacionales , pero generalmente no puede reproducir reacciones químicas .

La reducción de una descripción totalmente cuántica a un potencial clásico implica dos aproximaciones principales. La primera es la aproximación de Born-Oppenheimer , que establece que la dinámica de los electrones es tan rápida que pueden considerarse como si reaccionaran instantáneamente al movimiento de sus núcleos. En consecuencia, pueden tratarse por separado. La segunda trata los núcleos, que son mucho más pesados ​​que los electrones, como partículas puntuales que siguen una dinámica newtoniana clásica. En la dinámica molecular clásica, el efecto de los electrones se aproxima como una superficie de energía potencial, que generalmente representa el estado fundamental.

Cuando se requieren niveles de detalle más precisos, se utilizan potenciales basados ​​en la mecánica cuántica ; algunos métodos intentan crear potenciales híbridos clásicos/cuánticos donde la mayor parte del sistema se trata de forma clásica, pero una pequeña región se trata como un sistema cuántico, que generalmente experimenta una transformación química.

Potenciales empíricos

Los potenciales empíricos utilizados en química se denominan frecuentemente campos de fuerza , mientras que los utilizados en física de materiales se denominan potenciales interatómicos .

La mayoría de los campos de fuerza en química son empíricos y consisten en una suma de fuerzas de enlace asociadas con enlaces químicos , ángulos de enlace y diedros de enlace , y fuerzas no enlazadas asociadas con fuerzas de van der Waals y carga electrostática . [ 35 ] Los potenciales empíricos representan efectos cuántico-mecánicos de forma limitada a través de aproximaciones funcionales ad hoc. Estos potenciales contienen parámetros libres como la carga atómica , parámetros de van der Waals que reflejan estimaciones del radio atómico y longitud de enlace de equilibrio , ángulo y diedro; estos se obtienen mediante ajuste a cálculos electrónicos detallados (simulaciones químico-cuánticas) o propiedades físicas experimentales como constantes elásticas , parámetros de red y mediciones espectroscópicas .

Debido a la naturaleza no local de las interacciones no enlazadas, estas implican al menos interacciones débiles entre todas las partículas del sistema. Su cálculo suele ser el factor limitante en la velocidad de las simulaciones de dinámica molecular. Para reducir el coste computacional, los campos de fuerza emplean aproximaciones numéricas como radios de corte desplazados, algoritmos de campo de reacción , suma de Ewald de malla de partículas o el método más reciente de malla de partículas-partículas-partículas ( P3M ).

Los campos de fuerza químicos suelen emplear disposiciones de enlace preestablecidas (con la excepción de la dinámica ab initio ), y por lo tanto no pueden modelar explícitamente el proceso de ruptura de enlaces químicos y reacciones. Por otro lado, muchos de los potenciales utilizados en física, como los basados ​​en el formalismo del orden de enlace, pueden describir varias coordinaciones diferentes de un sistema y la ruptura de enlaces. [ 36 ] [ 37 ] Ejemplos de tales potenciales incluyen el potencial de Brenner [ 38 ] para hidrocarburos y sus desarrollos posteriores para los sistemas C-Si-H [ 39 ] y COH [ 40 ] . El potencial ReaxFF [ 41 ] puede considerarse un híbrido totalmente reactivo entre potenciales de orden de enlace y campos de fuerza químicos.

Potenciales de pares frente a potenciales de muchos cuerpos

Las funciones potenciales que representan la energía de interacción no enlazada se formulan como una suma sobre las interacciones entre las partículas del sistema. La opción más sencilla, empleada en muchos campos de fuerza populares , es el "potencial de pares", en el que la energía potencial total se puede calcular a partir de la suma de las contribuciones energéticas entre pares de átomos. Por lo tanto, estos campos de fuerza también se denominan "campos de fuerza aditivos". Un ejemplo de dicho potencial de pares es el potencial de Lennard-Jones para interacciones no enlazadas (también llamado potencial 6-12), utilizado para calcular las fuerzas de van der Waals.

U(r)=4ε[(σr)12−(σr)6]{\displaystyle U(r)=4\varepsilon \left[\left({\frac {\sigma }{r}}\right)^{12}-\left({\frac {\sigma }{r}}\right)^{6}\right]}

Otro ejemplo es el modelo de Born (iónico) de la red iónica. El primer término de la siguiente ecuación es la ley de Coulomb para un par de iones, el segundo término es la repulsión de corto alcance explicada por el principio de exclusión de Pauli y el término final es el término de interacción de dispersión. Por lo general, una simulación solo incluye el término dipolar, aunque a veces también se incluye el término cuadrupolar. [ 42 ] [ 43 ] Cuando n l = 6, este potencial también se denomina potencial de Coulomb-Buckingham .

Uij(rij)=zizj4πϵ01rij+Alexp⁡−rijpagl+dolrij−nortel+⋯{\displaystyle U_{ij}(r_{ij})={\frac {z_{i}z_{j}}{4\pi \epsilon _{0}}}{\frac {1}{r_{ij}}}+A_{l}\exp {\frac {-r_{ij}}{p_{l}}}+C_{l}r_{ij}^{-n_{l}}+\cdots }

En potenciales de muchos cuerpos , la energía potencial incluye los efectos de tres o más partículas que interactúan entre sí. [ 44 ] En simulaciones con potenciales de pares, también existen interacciones globales en el sistema, pero ocurren solo a través de términos de pares. En potenciales de muchos cuerpos, la energía potencial no se puede encontrar mediante una suma sobre pares de átomos, ya que estas interacciones se calculan explícitamente como una combinación de términos de orden superior. Desde la perspectiva estadística, la dependencia entre las variables no se puede expresar en general utilizando solo productos de pares de los grados de libertad. Por ejemplo, el potencial de Tersoff , [ 45 ] que se utilizó originalmente para simular carbono , silicio y germanio , y que desde entonces se ha utilizado para una amplia gama de otros materiales, implica una suma sobre grupos de tres átomos, siendo los ángulos entre los átomos un factor importante en el potencial. Otros ejemplos son el método del átomo incrustado (EAM), [ 46 ] el EDIP, [ 44 ] y los potenciales de la aproximación del segundo momento de enlace fuerte (TBSMA), [ 47 ] donde la densidad de estados electrónicos en la región de un átomo se calcula a partir de una suma de contribuciones de los átomos circundantes, y la contribución de la energía potencial es entonces una función de esta suma.

Potenciales semiempíricos

Los potenciales semiempíricos utilizan la representación matricial de la mecánica cuántica. Sin embargo, los valores de los elementos de la matriz se obtienen mediante fórmulas empíricas que estiman el grado de solapamiento de orbitales atómicos específicos. A continuación, se diagonaliza la matriz para determinar la ocupación de los diferentes orbitales atómicos, y se vuelven a utilizar fórmulas empíricas para determinar las contribuciones energéticas de dichos orbitales.

Existe una amplia variedad de potenciales semiempíricos, denominados potenciales de enlace fuerte , que varían según los átomos que se estén modelando.

Potenciales polarizables

La mayoría de los campos de fuerza clásicos incluyen implícitamente el efecto de la polarizabilidad , por ejemplo, al aumentar el tamaño de las cargas parciales obtenidas mediante cálculos químico-cuánticos. Estas cargas parciales son estacionarias con respecto a la masa del átomo. Sin embargo, las simulaciones de dinámica molecular pueden modelar explícitamente la polarizabilidad mediante la introducción de dipolos inducidos a través de diferentes métodos, como partículas de Drude o cargas fluctuantes. Esto permite una redistribución dinámica de la carga entre los átomos que responde al entorno químico local.

Durante muchos años, las simulaciones de dinámica molecular polarizable se han promocionado como la próxima generación. Para líquidos homogéneos como el agua, se ha logrado una mayor precisión mediante la inclusión de la polarizabilidad. [ 48 ] [ 49 ] [ 50 ] También se han obtenido algunos resultados prometedores para proteínas. [ 51 ] [ 52 ] Sin embargo, aún no está claro cómo aproximar mejor la polarizabilidad en una simulación. Este punto cobra mayor importancia cuando una partícula experimenta diferentes entornos durante su trayectoria de simulación, por ejemplo, la translocación de un fármaco a través de una membrana celular. [ 53 ]

Potenciales en métodos ab initio

En la dinámica molecular clásica, una superficie de energía potencial (generalmente el estado fundamental) se representa en el campo de fuerza. Esto es consecuencia de la aproximación de Born-Oppenheimer . En estados excitados, reacciones químicas o cuando se requiere una representación más precisa, el comportamiento electrónico puede obtenerse a partir de primeros principios mediante un método de mecánica cuántica, como la teoría del funcional de la densidad . Esto se denomina dinámica molecular ab initio (AIMD). Debido al coste computacional de tratar los grados de libertad electrónicos, la carga computacional de estas simulaciones es mucho mayor que la de la dinámica molecular clásica. Por esta razón, la AIMD suele limitarse a sistemas más pequeños y tiempos de simulación más cortos.

Los métodos cuántico-mecánicos y químicos ab initio pueden utilizarse para calcular la energía potencial de un sistema en tiempo real, según sea necesario para las conformaciones en una trayectoria. Este cálculo se realiza generalmente en las proximidades de la coordenada de reacción . Aunque pueden utilizarse diversas aproximaciones, estas se basan en consideraciones teóricas, no en ajustes empíricos. Los cálculos ab initio producen una gran cantidad de información que no está disponible mediante métodos empíricos, como la densidad de estados electrónicos u otras propiedades electrónicas. Una ventaja significativa del uso de métodos ab initio es la capacidad de estudiar reacciones que implican la ruptura o formación de enlaces covalentes, que corresponden a múltiples estados electrónicos. Además, los métodos ab initio también permiten recuperar efectos que van más allá de la aproximación de Born-Oppenheimer utilizando enfoques como la dinámica cuántico-clásica mixta .

QM/MM híbrido

Los métodos de mecánica cuántica (QM) son muy potentes. Sin embargo, son computacionalmente costosos, mientras que los métodos de mecánica molecular (MM) son rápidos pero presentan varias limitaciones (requieren una parametrización extensa; las estimaciones de energía obtenidas no son muy precisas; no pueden utilizarse para simular reacciones en las que se rompen o forman enlaces covalentes; y tienen limitaciones para proporcionar detalles precisos sobre el entorno químico). Ha surgido una nueva clase de métodos que combina las ventajas de los cálculos de QM (precisión) y MM (velocidad). Estos métodos se denominan métodos híbridos o mixtos de mecánica cuántica y molecular (QM/MM híbridos). [ 54 ]

La principal ventaja del método híbrido QM/MM es su velocidad. El coste computacional de la dinámica molecular clásica (MM) en el caso más sencillo es de orden O(n² ) , donde n es el número de átomos del sistema. Esto se debe principalmente al término de interacciones electrostáticas (cada partícula interactúa con todas las demás). Sin embargo, el uso de un radio de corte, actualizaciones periódicas de la lista de pares y, más recientemente, las variaciones del método de Ewald de malla de partículas (PME) han reducido este coste a entre O(n) y O(n² ) . En otras palabras, si se simula un sistema con el doble de átomos, se requeriría entre dos y cuatro veces más potencia computacional. Por otro lado, los cálculos ab initio más sencillos suelen tener una complejidad computacional de orden O(n³ ) o incluso peor (se ha sugerido que los cálculos restringidos de Hartree-Fock tienen una complejidad computacional de aproximadamente O(n² ,⁷ )). Para superar esta limitación, una pequeña parte del sistema se trata mediante mecánica cuántica (normalmente el sitio activo de una enzima) y el resto del sistema se trata mediante mecánica clásica.

En implementaciones más sofisticadas, existen métodos QM/MM para tratar tanto núcleos ligeros susceptibles a efectos cuánticos (como los hidrógenos) como estados electrónicos. Esto permite generar funciones de onda de hidrógeno (similares a las funciones de onda electrónicas). Esta metodología ha sido útil para investigar fenómenos como el efecto túnel del hidrógeno. Un ejemplo donde los métodos QM/MM han aportado nuevos descubrimientos es el cálculo de la transferencia de hidruro en la enzima alcohol deshidrogenasa hepática . En este caso, el efecto túnel cuántico es importante para el hidrógeno, ya que determina la velocidad de reacción. [ 55 ]

Representaciones de grano grueso y reducidas

En el otro extremo de la escala de detalle se encuentran los modelos de grano grueso y de red. En lugar de representar explícitamente cada átomo del sistema, se utilizan "pseudoátomos" para representar grupos de átomos. Las simulaciones de dinámica molecular en sistemas muy grandes pueden requerir recursos computacionales tan grandes que no se pueden estudiar fácilmente con los métodos tradicionales de todos los átomos. De manera similar, las simulaciones de procesos en escalas de tiempo largas (más allá de aproximadamente 1 microsegundo) son prohibitivamente costosas, porque requieren muchos pasos de tiempo. En estos casos, a veces se puede abordar el problema utilizando representaciones reducidas, que también se denominan modelos de grano grueso . [ 56 ]

Ejemplos de métodos de grano grueso (CG) son la dinámica molecular discontinua (CG-DMD) [ 57 ] [ 58 ] y los modelos Go. [ 59 ] El grano grueso se realiza a veces tomando pseudoátomos más grandes. Estas aproximaciones de átomos unidos se han utilizado en simulaciones MD de membranas biológicas. La implementación de este enfoque en sistemas donde las propiedades eléctricas son de interés puede ser desafiante debido a la dificultad de usar una distribución de carga adecuada en los pseudoátomos. [ 60 ] Las colas alifáticas de los lípidos se representan mediante unos pocos pseudoátomos al agrupar de 2 a 4 grupos metileno en cada pseudoátomo.

La parametrización de estos modelos de grano grueso debe realizarse empíricamente, ajustando el comportamiento del modelo a datos experimentales apropiados o simulaciones de todos los átomos. Idealmente, estos parámetros deberían tener en cuenta tanto las contribuciones entálpicas como entrópicas a la energía libre de forma implícita. [ 61 ] Cuando el grano grueso se realiza a niveles más altos, la precisión de la descripción dinámica puede ser menos fiable. Sin embargo, los modelos de grano grueso se han utilizado con éxito para examinar una amplia gama de cuestiones en biología estructural, organización de cristales líquidos y vidrios poliméricos.

Ejemplos de aplicaciones del método de grano grueso:

La forma más simple de grano grueso es el átomo unido (a veces llamado átomo extendido ) y se utilizó en la mayoría de las primeras simulaciones de dinámica molecular de proteínas, lípidos y ácidos nucleicos. Por ejemplo, en lugar de tratar explícitamente los cuatro átomos de un grupo metilo CH₃ ( o los tres átomos de un grupo metileno CH₂ ) , se representa todo el grupo con un pseudoátomo. Este debe, por supuesto, estar correctamente parametrizado para que sus interacciones de van der Waals con otros grupos tengan la dependencia de distancia adecuada. Consideraciones similares se aplican a los enlaces, ángulos y torsiones en los que participa el pseudoátomo. En este tipo de representación de átomo unido, normalmente se eliminan todos los átomos de hidrógeno explícitos excepto aquellos que tienen la capacidad de participar en enlaces de hidrógeno ( hidrógenos polares ). Un ejemplo de esto es el campo de fuerza CHARMM 19.

Los hidrógenos polares suelen conservarse en el modelo, ya que un tratamiento adecuado de los enlaces de hidrógeno requiere una descripción razonablemente precisa de la direccionalidad y las interacciones electrostáticas entre los grupos donadores y aceptores. Un grupo hidroxilo, por ejemplo, puede ser tanto donador como aceptor de enlaces de hidrógeno, y sería imposible representarlo con un solo pseudoátomo de OH. Aproximadamente la mitad de los átomos de una proteína o ácido nucleico son hidrógenos no polares, por lo que el uso de átomos unidos puede suponer un ahorro considerable en el tiempo de cálculo.

Campos de fuerza de aprendizaje automático

Los campos de fuerza de aprendizaje automático (MLFF) representan un enfoque para modelar las interacciones interatómicas en simulaciones de dinámica molecular. [ 62 ] Los MLFF pueden alcanzar una precisión cercana a la de los métodos ab initio . Una vez entrenados, los MLFF son mucho más rápidos que los cálculos mecánicos cuánticos directos. Los MLFF abordan las limitaciones de los campos de fuerza tradicionales al aprender superficies de energía potencial complejas directamente a partir de datos mecánicos cuánticos de alto nivel. Varios paquetes de software ahora admiten MLFF, incluidos VASP [ 63 ] y bibliotecas de código abierto como DeePMD-kit [ 64 ] [ 65 ] y SchNetPack . [ 66 ] [ 67 ]

Potenciales interatómicos aprendidos mediante aprendizaje automático

Los potenciales interatómicos de aprendizaje automático (MLIP) son modelos computacionales que utilizan técnicas de aprendizaje automático para aproximar las interacciones entre átomos en un material. Su objetivo principal es predecir cantidades como la energía total, las fuerzas atómicas y las tensiones con una precisión cercana a la de los métodos de mecánica cuántica, como la teoría del funcional de la densidad (DFT), manteniendo al mismo tiempo un menor coste computacional. [ 68 ] [ 69 ] Los MLIP se entrenan típicamente con conjuntos de datos generados a partir de cálculos de primeros principios, donde las configuraciones atómicas se emparejan con las energías y fuerzas correspondientes. Los modelos aprenden una aproximación a la superficie de energía potencial (PES), que describe cómo varía la energía de un sistema con las posiciones atómicas. [ 70 ] [ 71 ] Las fuerzas que actúan sobre los átomos se obtienen entonces como el gradiente de la energía predicha, asegurando la coherencia con las leyes físicas. [ 72 ]

Los MLIP se han aplicado ampliamente en simulaciones de dinámica molecular y ciencia de materiales, permitiendo el estudio de fenómenos complejos como la formación de defectos, transformaciones de fase y reacciones químicas. [ 73 ] [ 74 ] En entornos de alta energía, como cascadas de daño por radiación, los MLIP basados ​​en energía son generalmente preferidos porque aseguran la conservación de la energía y proporcionan simulaciones más estables en condiciones extremas, particularmente cuando se combinan con correcciones repulsivas de corto alcance como el potencial de Ziegler-Biersack-Littmark (ZBL). [ 75 ] [ 76 ]

Incorporación de efectos de disolvente

En muchas simulaciones de un sistema soluto-disolvente, el enfoque principal está en el comportamiento del soluto, con poco interés en el comportamiento del disolvente, particularmente en aquellas moléculas de disolvente que residen en regiones alejadas de la molécula de soluto. [ 77 ] Los disolventes pueden influir en el comportamiento dinámico de los solutos a través de colisiones aleatorias y al imponer una resistencia por fricción al movimiento del soluto a través del disolvente. El uso de condiciones de contorno periódicas no rectangulares, contornos estocásticos y capas de disolvente puede ayudar a reducir el número de moléculas de disolvente necesarias y permitir que una mayor proporción del tiempo de cálculo se dedique a simular el soluto. También es posible incorporar los efectos de un disolvente sin necesidad de que haya moléculas de disolvente explícitas presentes. Un ejemplo de este enfoque es el uso de una fuerza media potencial (FMP) que describe cómo cambia la energía libre al variar una coordenada particular. El cambio de energía libre descrito por la FMP contiene los efectos promedio del disolvente.

Sin incorporar los efectos del disolvente, las simulaciones de macromoléculas (como las proteínas) pueden producir un comportamiento poco realista, e incluso las moléculas pequeñas pueden adoptar conformaciones más compactas debido a las fuerzas de van der Waals favorables y las interacciones electrostáticas que se amortiguarían en presencia de un disolvente. [ 78 ]

Fuerzas de largo alcance

Una interacción de largo alcance es una interacción en la que la interacción espacial disminuye no más rápido quer−d{\displaystyle r^{-d}}dónded{\displaystyle d}es la dimensionalidad del sistema. Ejemplos de ello son las interacciones carga-carga entre iones y las interacciones dipolo-dipolo entre moléculas. Modelar estas fuerzas representa un desafío considerable, ya que son significativas a distancias que pueden ser mayores que la mitad de la longitud de la caja en simulaciones de miles de partículas. Si bien una solución sería aumentar significativamente el tamaño de la longitud de la caja, este enfoque de fuerza bruta no es ideal, ya que la simulación resultaría computacionalmente muy costosa. El truncamiento esférico del potencial también está descartado, ya que se podría observar un comportamiento irreal cuando la distancia se aproxima a la distancia de corte. [ 79 ]

Las interacciones de largo alcance más importantes son las interacciones electrostáticas entre dos átomos (parcialmente) cargados. Actualmente, el método más utilizado es Particle Mesh Ewald (PME). [ 80 ] PME utiliza sumas de Ewald para dividir los cálculos en una parte de corto y otra de largo alcance. La parte de corto alcance calcula todas las interacciones dentro de un rango de corte, mientras que la parte de largo alcance se resuelve en el espacio recíproco, utilizando transformadas rápidas de Fourier (FFT). Su alta precisión y velocidad de cálculo hicieron de PME el estándar de oro durante muchos años. Sin embargo, con el aumento del uso de la paralelización, PME se topa con un cuello de botella en la comunicación, ya que las FFT requieren una comunicación de todo a todo. Una alternativa atractiva a PME son los métodos multipolares rápidos (FMM), que no se ven afectados por un aumento en la paralelización. [ 81 ] Además, FMM permite simulaciones de sistemas mucho más grandes y elimina la necesidad de condiciones de contorno periódicas , lo que resulta particularmente útil para simulaciones en fase gaseosa de biomoléculas. [ 82 ]

Dinámica molecular dirigida (SMD)

Las simulaciones de dinámica molecular dirigida (SMD), o simulaciones de sonda de fuerza, aplican fuerzas a una proteína para manipular su estructura tirando de ella a lo largo de los grados de libertad deseados. Estos experimentos pueden utilizarse para revelar cambios estructurales en una proteína a nivel atómico. La SMD se utiliza a menudo para simular eventos como el despliegue mecánico o el estiramiento. [ 83 ]

Existen dos protocolos típicos de SMD: uno en el que la velocidad de tracción se mantiene constante y otro en el que la fuerza aplicada es constante. Normalmente, una parte del sistema estudiado (por ejemplo, un átomo en una proteína) se restringe mediante un potencial armónico. A continuación, se aplican fuerzas a átomos específicos a velocidad o fuerza constantes. El muestreo de paraguas se utiliza para mover el sistema a lo largo de la coordenada de reacción deseada variando, por ejemplo, las fuerzas, las distancias y los ángulos manipulados en la simulación. Mediante el muestreo de paraguas, todas las configuraciones del sistema —tanto de alta como de baja energía— se muestrean adecuadamente. Luego, el cambio en la energía libre de cada configuración se puede calcular como el potencial de fuerza media . [ 84 ] Un método popular para calcular el PMF es mediante el método de análisis de histograma ponderado (WHAM), que analiza una serie de simulaciones de muestreo de paraguas. [ 85 ] [ 86 ]

Muchas aplicaciones importantes de SMD se encuentran en el campo del descubrimiento de fármacos y las ciencias biomoleculares. Por ejemplo, SMD se utilizó para investigar la estabilidad de las protofibrillas de Alzheimer, [ 87 ] para estudiar la interacción proteína-ligando en la quinasa dependiente de ciclina 5 [ 88 ] e incluso para mostrar el efecto del campo eléctrico sobre el complejo de trombina (proteína) y aptámero (nucleótido) [ 89 ] entre muchos otros estudios interesantes.

Ejemplos de aplicaciones

Simulación de dinámica molecular de un motor molecular sintético compuesto por tres moléculas en un nanoporo (diámetro exterior de 6,7 nm) a 250 K [ 90 ]

La dinámica molecular se utiliza en muchos campos de la ciencia.

  • La primera simulación de dinámica molecular de un proceso de plegamiento biológico simplificado se publicó en 1975. Su publicación en Nature allanó el camino para el vasto campo del plegamiento computacional moderno de proteínas. [ 91 ]
  • La primera simulación de dinámica molecular de un proceso biológico se publicó en 1976. Su publicación en Nature allanó el camino para comprender el movimiento de las proteínas como esencial para la función y no solo accesorio. [ 92 ]
  • MD es el método estándar para tratar cascadas de colisiones en el régimen de picos de calor, es decir, los efectos que la irradiación de neutrones e iones energéticos tiene sobre sólidos y superficies sólidas. [ 93 ]

Los siguientes ejemplos biofísicos ilustran los esfuerzos notables para producir simulaciones de sistemas de tamaño muy grande (un virus completo) o tiempos de simulación muy largos (hasta 1,112 milisegundos):

  • Simulación de dinámica molecular del virus del mosaico del tabaco satélite completo (STMV) (2006, Tamaño: 1 millón de átomos, Tiempo de simulación: 50 ns, programa: NAMD ). Este virus es un virus vegetal pequeño e icosaédrico que agrava los síntomas de la infección por el virus del mosaico del tabaco (TMV). Se utilizaron simulaciones de dinámica molecular para investigar los mecanismos de ensamblaje viral . La partícula completa de STMV consta de 60 copias idénticas de una proteína que forman la cápside viral (recubrimiento) y un genoma de ARN monocatenario de 1063 nucleótidos . Un hallazgo clave es que la cápside es muy inestable cuando no hay ARN en su interior. La simulación tardaría unos 35 años en completarse en un ordenador de sobremesa de 2006. Por lo tanto, se realizó en muchos procesadores en paralelo con comunicación continua entre ellos. [ 94 ]
  • Simulaciones de plegamiento del dominio Villin Headpiece con detalle atómico (2006, Tamaño: 20 000 átomos; Tiempo de simulación: 500 μs = 500 000 ns, Programa: Folding@home ). Esta simulación se ejecutó en 200 000 CPU de ordenadores personales participantes en todo el mundo. Estos ordenadores tenían instalado el programa Folding@home, un esfuerzo de computación distribuida a gran escala coordinado por Vijay Pande en la Universidad de Stanford. Las propiedades cinéticas de la proteína Villin Headpiece se analizaron utilizando muchas trayectorias cortas e independientes ejecutadas por las CPU sin comunicación continua en tiempo real. Un método empleado fue el análisis del valor Pfold, que mide la probabilidad de plegamiento antes del desplegamiento de una conformación inicial específica. Pfold proporciona información sobre las estructuras del estado de transición y un ordenamiento de las conformaciones a lo largo de la ruta de plegamiento . Cada trayectoria en un cálculo de Pfold puede ser relativamente corta, pero se necesitan muchas trayectorias independientes. [ 95 ]
  • Se han realizado simulaciones de trayectoria continua de larga duración en Anton , una supercomputadora masivamente paralela diseñada y construida en torno a circuitos integrados de aplicación específica (ASIC) personalizados e interconexiones por DE Shaw Research . El resultado publicado más largo de una simulación realizada con Anton es una simulación de 1,112 milisegundos de NTL9 a 355 K; también se realizó una segunda simulación independiente de 1,073 milisegundos de esta configuración (y muchas otras simulaciones de más de 250 μs de tiempo químico continuo). [ 96 ] En How Fast-Folding Proteins Fold , los investigadores Kresten Lindorff-Larsen, Stefano Piana, Ron O. Dror y David E. Shaw analizan "los resultados de simulaciones de dinámica molecular a nivel atómico, durante períodos que oscilan entre 100 μs y 1 ms, que revelan un conjunto de principios comunes subyacentes al plegamiento de 12 proteínas estructuralmente diversas". El examen de estas diversas trayectorias largas, posibilitado por hardware especializado y personalizado, les permite concluir que "En la mayoría de los casos, el plegamiento sigue una única ruta dominante en la que los elementos de la estructura nativa aparecen en un orden altamente correlacionado con su propensión a formarse en el estado desplegado". [ 96 ] En un estudio aparte, se utilizó Anton para realizar una simulación de 1,013 milisegundos de la dinámica del estado nativo del inhibidor de tripsina pancreática bovina (BPTI) a 300 K. [ 97 ]

Otra aplicación importante del método MD se beneficia de su capacidad de caracterización tridimensional y análisis de la evolución microestructural a escala atómica.

  • Las simulaciones de dinámica molecular (DM) se utilizan en la caracterización de la evolución del tamaño de grano, por ejemplo, al describir el desgaste y la fricción de materiales nanocristalinos de Al y Al(Zr). [ 98 ] En esta simulación, se analiza la evolución de las dislocaciones y del tamaño de grano durante el proceso de fricción. Dado que el método de DM proporcionó la información completa de la microestructura, la evolución del tamaño de grano se calculó en 3D utilizando los métodos de coincidencia de plantillas poliédricas, [ 99 ] segmentación de grano, [ 100 ] y agrupamiento de grafos [ 101 ] . En dicha simulación, el método de DM proporcionó una medición precisa del tamaño de grano. Utilizando esta información, se extrajeron, midieron y presentaron las estructuras de grano reales. En comparación con el método tradicional de usar SEM con una sola sección bidimensional del material, la DM proporciona una forma tridimensional y precisa de caracterizar la evolución microestructural a escala atómica.

Aplicaciones en materiales cementicios

Las simulaciones de dinámica molecular (DM) también se han aplicado cada vez más en la investigación del cemento y el hormigón para estudiar el comportamiento mecánico a nanoescala y las características estructurales de los productos de hidratación. En particular, la DM se ha utilizado para estimar las propiedades elásticas de las principales fases del clínker (C₃S , C₂S , C₃A y C₄AF ) y para evaluar el rendimiento de diferentes campos de fuerza en la predicción de sus módulos de compresibilidad, de cizallamiento y de Young. [ 102 ]

Estudios posteriores se han centrado en el gel de silicato de calcio hidratado (C-S-H), que constituye aproximadamente entre el 50 % y el 70 % de la pasta de cemento hidratada. Mediante simulaciones de dinámica molecular (MD) y Monte Carlo, se ha explorado en detalle la influencia del contenido de agua, la relación Ca/Si y los defectos estructurales en las propiedades mecánicas y la rigidez del C-S-H, revelando que el aumento del contenido de agua o de la relación Ca/Si generalmente disminuye el módulo de Young del gel. [ 103 ] [ 104 ]

Estos conocimientos a nanoescala contribuyen a los marcos de modelado multiescala que vinculan las propiedades a escala atómica de los hidratos de cemento con el rendimiento macroscópico del hormigón, lo que permite el diseño de materiales cementicios de bajo contenido de clínker, alto rendimiento y más sostenibles. [ 105 ]

Algoritmos de dinámica molecular

Integradores

Algoritmos de interacción de corto alcance

Algoritmos de interacción de largo alcance

Estrategias de paralelización

dinámica molecular ab initio

Hardware especializado para simulaciones de dinámica molecular.

  • Anton : una supercomputadora especializada de procesamiento masivamente paralelo diseñada para ejecutar simulaciones de dinámica molecular.
  • MDGRAPE : un sistema de propósito especial diseñado para simulaciones de dinámica molecular, especialmente para la predicción de la estructura de proteínas.

Tarjeta gráfica como hardware para simulaciones de dinámica molecular.

Simulación de líquido iónico en GPU ( Abalone )

El modelado molecular en GPU es la técnica de utilizar una unidad de procesamiento gráfico (GPU) para simulaciones moleculares. [ 106 ]

En 2007, Nvidia presentó tarjetas gráficas que podían utilizarse no solo para mostrar gráficos, sino también para realizar cálculos científicos. Estas tarjetas incluyen numerosas unidades aritméticas (hasta 18 176 en la RTX 6000 Ada, a fecha de 2022) que trabajan en paralelo. Mucho antes de este acontecimiento, la potencia de cálculo de las tarjetas gráficas se utilizaba exclusivamente para acelerar los cálculos gráficos. Las nuevas características de estas tarjetas permitieron desarrollar programas paralelos mediante una interfaz de programación de aplicaciones (API) de alto nivel llamada CUDA . Esta tecnología simplificó considerablemente la programación, al permitir escribir programas en C / C++ . Más recientemente, OpenCL permite la aceleración de GPU multiplataforma .

Véase también

Referencias

  1. ↑ Abdulhamza HM, Farhan MS, Hassan SS, Aqeel Al-Hussainy H, Oriabi AI (2024). "Identificación in silico de compuestos antivirales para el tratamiento de la infección por el virus chikungunya: modelado qsar y análisis de simulación md" . Medicine in Novel Technology and Devices . 22 100304. doi : 10.1016/j.medntd.2024.100304 .
  2. ↑ Schlick T (1996). "Siguiendo la visión de Laplace en las computadoras modernas". Enfoques matemáticos de la estructura y dinámica biomolecular . The IMA Volumes in Mathematics and its Applications. Vol. 82. pp. 219–247 . doi : 10.1007/978-1-4612-4066-2_13 . ISBN   978-0-387-94838-6.
  3. ↑ Bernal JD (enero de 1997). "La conferencia Bakeriana de 1962: La estructura de los líquidos". Actas de la Royal Society de Londres. Serie A. Ciencias matemáticas y físicas . 280 (1382): 299–322 . Bibcode : 1964RSPSA.280..299B . doi : 10.1098/rspa.1964.0147 . S2CID 178710030 . 
  4. ^ Fermi E., Pasta J., Ulam S., Informe de Los Álamos LA-1940 (1955).
  5. ↑ Alder BJ, Wainwright T (agosto de 1959). "Estudios en dinámica molecular. I. Método general". The Journal of Chemical Physics . 31 (2): 459– 466. Bibcode : 1959JChPh..31..459A . doi : 10.1063/1.1730376 .
  6. ↑ Gibson JB, Goland AN, Milgram M, Vineyard G (1960). "Dinámica del daño por radiación". Phys. Rev. 120 ( 4): 1229– 1253. Bibcode : 1960PhRv..120.1229G . doi : 10.1103/PhysRev.120.1229 .
  7. ↑ Rahman A (19 de octubre de 1964). "Correlaciones en el movimiento de átomos en argón líquido". Physical Review . 136 (2A): A405– A411. Bibcode : 1964PhRv..136..405R . doi : 10.1103/PhysRev.136.A405 .
  8. ↑ Stephan S, Thol M, Vrabec J, Hasse H (octubre de 2019). "Propiedades termofísicas del fluido de Lennard-Jones: base de datos y evaluación de datos" . Journal of Chemical Information and Modeling . 59 (10): 4248– 4265. doi : 10.1021/acs.jcim.9b00620 . PMID 31609113. S2CID 204545481 .  
  9. ↑ Wang X, Ramírez-Hinestrosa S, Dobnikar J, Frenkel D (mayo de 2020). "El potencial de Lennard-Jones: cuándo (no) usarlo". Physical Chemistry Chemical Physics . 22 (19): 10624– 10633. arXiv : 1910.05746 . Bibcode : 2020PCCP...2210624W . doi : 10.1039/C9CP05445F . PMID 31681941. S2CID 204512243 .  
  10. ↑ Mick J, Hailat E, Russo V, Rushaidat K, Schwiebert L, Potoff J (diciembre de 2013). "Simulaciones de Monte Carlo de conjunto de Gibbs aceleradas por GPU de Lennard-Jonesium". Computer Physics Communications . 184 (12): 2662– 2669. Bibcode : 2013CoPhC.184.2662M . doi : 10.1016/j.cpc.2013.06.020 .
  11. ^ Chapela GA, Scriven LE, Davis HT (octubre de 1989). "Dinámica molecular del potencial discontinuo. IV. Lennard-Jonesio" . La Revista de Física Química . 91 (7): 4307– 4313. Bibcode : 1989JChPh..91.4307C . doi : 10.1063/1.456811 . ISSN 0021-9606 . 
  12. ↑ Lenhard J, Stephan S, Hasse H (febrero de 2024). "Un hijo de la predicción. Sobre la historia, la ontología y la computación del Lennard-Jonesium". Estudios en historia y filosofía de la ciencia . 103 : 105–113 . doi : 10.1016/j.shpsa.2023.11.007 . PMID 38128443. S2CID 266440296 .  
  13. ↑ Eggimann BL, Sunnarborg AJ, Stern HD, Bliss AP, Siepmann JI (2013-12-24). "Una base de datos en línea de parámetros y propiedades para el campo de fuerza TraPPE". Simulación molecular . 40 ( 1– 3): 101– 105. doi : 10.1080/08927022.2013.842994 . ISSN 0892-7022 . S2CID 95716947 .  
  14. ↑ Stephan S, Horsch MT, Vrabec J, Hasse H (2019-07-03). "MolMod: una base de datos de acceso abierto de campos de fuerza para simulaciones moleculares de fluidos" . Simulación molecular . 45 (10): 806– 814. arXiv : 1904.05206 . doi : 10.1080/08927022.2019.1601191 . ISSN 0892-7022 . S2CID 119199372 .  
  15. ↑ Suarez AG, Göller AH, Beck ME, Gheta SK, Meier K (2024-10-29). "Evaluación comparativa de métodos in silico basados ​​en la física para calcular solubilidades relativas" . Journal of Computer-Aided Molecular Design . 38 (1): 36. Bibcode : 2024JCAMD..38...36S . doi : 10.1007/s10822-024-00576-y . ISSN 1573-4951 . PMID 39470860 .  
  16. ↑ Higginbotham T, Meier K, Ramírez J, Garaizar A (2025-02-03). "Predicción de la compatibilidad fármaco-polímero en dispersiones sólidas amorfas mediante simulación MD: Sobre la trampa de las energías libres de solvatación" . Molecular Pharmaceutics . 22 (2): 760– 770. doi : 10.1021/acs.molpharmaceut.4c00810 . ISSN 1543-8384 . PMID 39585959 .  
  17. ↑ Koehl P, Levitt M (febrero de 1999). "Un futuro más brillante para la predicción de la estructura de las proteínas". Nature Structural Biology . 6 (2): 108– 111. doi : 10.1038/5794 . PMID 10048917. S2CID 3162636 .  
  18. ↑ Raval A, Piana S, Eastwood MP, Dror RO, Shaw DE (agosto de 2012). "Refinamiento de modelos de homología de estructura proteica mediante simulaciones de dinámica molecular de átomos completos de larga duración". Proteins . 80 (8): 2071– 2079. doi : 10.1002/prot.24098 . PMID 22513870 . S2CID 10613106 .  
  19. ↑ Beauchamp KA, Lin YS, Das R, Pande VS (abril de 2012). "¿Están mejorando los campos de fuerza de las proteínas? Una evaluación comparativa sistemática de 524 mediciones de RMN diversas" . Journal of Chemical Theory and Computation . 8 (4): 1409– 1414. Bibcode : 2012JCTC....8.1409B . doi : 10.1021/ ct2007814 . PMC 3383641. PMID 22754404 .  
  20. ↑ Piana S, Klepeis JL, Shaw DE (febrero de 2014). "Evaluación de la precisión de los modelos físicos utilizados en simulaciones de plegamiento de proteínas: evidencia cuantitativa a partir de simulaciones de dinámica molecular de larga duración" . Current Opinion in Structural Biology . 24 : 98–105 . doi : 10.1016/j.sbi.2013.12.006 . PMID 24463371 . 
  21. ↑ Choudhury C, Priyakumar UD, Sastry GN (abril de 2015). "Modelos farmacofóricos basados ​​en dinámica para la detección de posibles inhibidores de la ciclopropano sintasa micobacteriana". Journal of Chemical Information and Modeling . 55 (4): 848–60 . doi : 10.1021/ci500737b . PMID 25751016 . 
  22. ↑ Pinto M, Perez JJ, Rubio-Martinez J (enero de 2004). "Estudio de dinámica molecular de segmentos peptídicos del dominio BH3 de las proteínas proapoptóticas Bak, Bax, Bid y Hrk unidas a las proteínas Bcl-xL y Bcl-2". Journal of Computer-aided Molecular Design . 18 (1): 13– 22. Bibcode : 2004JCAMD..18...13P . doi : 10.1023/b:jcam.0000022559.72848.1c . PMID 15143800. S2CID 11339000 .  
  23. ↑ Hatmal MM, Jaber S, Taha MO (diciembre de 2016). "Combinación de simulación de dinámica molecular y análisis de contactos ligando-receptor como un nuevo enfoque para el modelado de farmacóforos: beta-secretasa 1 y quinasa de punto de control 1 como estudios de caso". Journal of Computer-aided Molecular Design . 30 (12): 1149– 1163. Bibcode : 2016JCAMD..30.1149H . doi : 10.1007/s10822-016-9984-2 . PMID 27722817 . S2CID 11561853 .  
  24. ↑ Myers JK, Pace CN (octubre de 1996). "Los enlaces de hidrógeno estabilizan las proteínas globulares" . Biophysical Journal . 71 (4): 2033– 2039. Bibcode : 1996BpJ .... 71.2033M . doi : 10.1016/s0006-3495(96)79401-8 . PMC 1233669. PMID 8889177 .  
  25. ↑ Lenhard J, Stephan S, Hasse H (junio de 2024). "Sobre la historia del potencial de Lennard-Jones" . Annalen der Physik . 536 (6) 2400115. doi : 10.1002/andp.202400115 . ISSN 0003-3804 . 
  26. ↑ Fischer J, Wendland M (octubre de 2023). "Sobre la historia de los potenciales intermoleculares empíricos clave" . Fluid Phase Equilibria . 573 113876. Bibcode : 2023FlPEq.57313876F . doi : 10.1016/j.fluid.2023.113876 .
  27. 1 2 Israelachvili J (1992). Fuerzas intermoleculares y superficiales . San Diego: Academic Press.
  28. ↑ Cruz FJ, de Pablo JJ, Mota JP (junio de 2014). "Confinamiento endoédrico de un dodecámero de ADN sobre nanotubos de carbono prístinos y la estabilidad de la forma B canónica". The Journal of Chemical Physics . 140 (22) 225103. arXiv : 1605.01317 . Bibcode : 2014JChPh.140v5103C . doi : 10.1063/1.4881422 . PMID 24929415. S2CID 15149133 .  
  29. ↑ Cruz FJ, Mota JP (2016). "Termodinámica conformacional de hebras de ADN en nanoporos hidrofílicos". J. Phys. Chem. C . 120 (36): 20357– 20367. doi : 10.1021/acs.jpcc.6b06234 .
  30. ↑ Plimpton S. "Dinámica molecular - Algoritmos paralelos" . sandia.gov .
  31. ↑ Streett WB, Tildesley DJ, Saville G (1978). "Métodos de pasos de tiempo múltiples en dinámica molecular". Mol Phys . 35 (3): 639– 648. Bibcode : 1978MolPh..35..639S . doi : 10.1080/00268977800100471 .
  32. ↑ Tuckerman ME, Berne BJ, Martyna GJ (1991). "Algoritmo de dinámica molecular para múltiples escalas de tiempo: sistemas con fuerzas de largo alcance". J Chem Phys . 94 (10): 6811– 6815. Bibcode : 1991JChPh..94.6811T . doi : 10.1063/1.460259 .
  33. ↑ Tuckerman ME, Berne BJ, Martyna GJ (1992). "Dinámica molecular reversible de múltiples escalas de tiempo". J Chem Phys . 97 (3): 1990– 2001. Bibcode : 1992JChPh..97.1990T . doi : 10.1063/1.463137 . S2CID 488073 . 
  34. ↑ Sugita Y, Okamoto Y (noviembre de 1999). "Método de dinámica molecular de intercambio de réplicas para el plegamiento de proteínas". Chemical Physics Letters . 314 ( 1–2 ): 141–151 . Bibcode : 1999CPL...314..141S . doi : 10.1016/S0009-2614(99)01123-9 .
  35. ↑ Rizzuti B (2022). "Simulaciones moleculares de proteínas: De interacciones físicas simplificadas a fenómenos biológicos complejos". Biochimica et Biophysica Acta (BBA) - Proteins and Proteomics . 1870 (3) 140757. doi : 10.1016/j.bbapap.2022.140757 . PMID 35051666 . S2CID 263455009 .  
  36. ↑ Sinnott SB , Brenner DW (2012). "Tres décadas de potenciales de muchos cuerpos en la investigación de materiales" . MRS Bulletin . 37 (5): 469– 473. Bibcode : 2012MRSBu..37..469S . doi : 10.1557/mrs.2012.88 .
  37. ↑ Albe K, Nordlund K, Averback RS (2002). "Modelado de la interacción metal-semiconductor: potencial analítico de orden de enlace para platino-carbono". Phys. Rev. B . 65 (19) 195124. Bibcode : 2002PhRvB..65s5124A . doi : 10.1103/physrevb.65.195124 .
  38. ↑ Brenner DW (noviembre de 1990). "Potencial empírico de los hidrocarburos para su uso en la simulación de la deposición química en fase vapor de películas de diamante" ( PDF ) . Physical Review B. 42 ( 15): 9458–9471 . Bibcode : 1990PhRvB..42.9458B . doi : 10.1103/physrevb.42.9458 . PMID 9995183. Archivado del original el 22 de septiembre de 2017. 
  39. ↑ Beardmore K, Smith R (1996). "Potenciales empíricos para sistemas C-Si-H con aplicación a las interacciones C 60 con superficies de cristales de Si". Philosophical Magazine A . 74 (6): 1439– 1466. Bibcode : 1996PMagA..74.1439B . doi : 10.1080/01418619608240734 .
  40. ↑ Ni B, Lee KH, Sinnott SB (2004). "Un potencial de orden de enlace empírico reactivo (rebo) para interacciones de oxígeno de hidrocarburos". Journal of Physics: Condensed Matter . 16 (41): 7261– 7275. Bibcode : 2004JPCM...16.7261N . doi : 10.1088/0953-8984/16/41/008 . S2CID 250760409 . 
  41. ^ Van Duin AC, Dasgupta S, Lorant F, Goddard WA (octubre de 2001). "ReaxFF: un campo de fuerza reactivo para hidrocarburos". La Revista de Química Física A. 105 (41): 9396– 9409. Código bibliográfico : 2001JPCA..105.9396V . CiteSeerX 10.1.1.507.6992 . doi : 10.1021/jp004368u . 
  42. ↑ Cruz FJ, Lopes JN, Calado JC, Minas da Piedade ME (diciembre de 2005). "Un estudio de dinámica molecular de las propiedades termodinámicas de las apatitas de calcio. 1. Fases hexagonales". The Journal of Physical Chemistry B. 109 ( 51): 24473– 24479. Bibcode : 2005JPCB..10924473C . doi : 10.1021/jp054304p . PMID 16375450 . 
  43. ↑ Cruz FJ, Lopes JN, Calado JC (marzo de 2006). "Simulaciones de dinámica molecular de hidroxiapatita de calcio fundida". Fluid Phase Equilibria . 241 ( 1–2 ): 51–58 . Bibcode : 2006FlPEq.241...51C . doi : 10.1016/j.fluid.2005.12.021 .
  44. 1 2 Justo JF, Bazant MZ, Kaxiras E, Bulatov VV, Yip S (1998). "Potencial interatómico para defectos de silicio y fases desordenadas". Phys. Rev. B . 58 (5): 2539– 2550. arXiv : cond-mat/9712058 . Bibcode : 1998PhRvB..58.2539J . doi : 10.1103/PhysRevB.58.2539 . S2CID 14585375 . 
  45. ↑ Tersoff J (marzo de 1989). "Modelado de la química del estado sólido: potenciales interatómicos para sistemas multicomponentes". Physical Review B. 39 ( 8): 5566– 5568. Bibcode : 1989PhRvB..39.5566T . doi : 10.1103/physrevb.39.5566 . PMID 9948964 . 
  46. ↑ Daw MS , Foiles SM , Baskes MI (marzo de 1993). "El método del átomo incrustado: una revisión de la teoría y las aplicaciones" . Materials Science Reports . 9 ( 7– 8): 251– 310. doi : 10.1016/0920-2307(93)90001-U .
  47. ↑ Cleri F, Rosato V (julio de 1993). "Potenciales de enlace fuerte para metales de transición y aleaciones". Physical Review B. 48 ( 1): 22– 33. Bibcode : 1993PhRvB..48...22C . doi : 10.1103/physrevb.48.22 . PMID 10006745 . 
  48. ↑ Lamoureux G, Harder E, Vorobyov IV, Roux B, MacKerell AD (2006). "Un modelo polarizable del agua para simulaciones de dinámica molecular de biomoléculas". Chem Phys Lett . 418 (1): 245– 249. Bibcode : 2006CPL...418..245L . doi : 10.1016/j.cplett.2005.10.135 .
  49. ↑ Sokhan VP, Jones AP, Cipcigan FS, Crain J, Martyna GJ (mayo de 2015). "Propiedades distintivas del agua: sus orígenes electrónicos moleculares" . Actas de la Academia Nacional de Ciencias de los Estados Unidos de América . 112 (20): 6341– 6346. Bibcode : 2015PNAS..112.6341S . doi : 10.1073/pnas.1418982112 . PMC 4443379. PMID 25941394 .  
  50. ↑ Cipcigan FS, Sokhan VP, Jones AP, Crain J, Martyna GJ (abril de 2015). "Enlaces de hidrógeno y orientación molecular en la interfaz líquido-vapor del agua" . Physical Chemistry Chemical Physics . 17 (14): 8660– 8669. Bibcode : 2015PCCP...17.8660C . doi : 10.1039/C4CP05506C . hdl : 20.500.11820/0bd0cd1a-94f1-4053-809c-9fb68bbec1c9 . PMID 25715668 . 
  51. ↑ Mahmoudi M, Lynch I, Ejtehadi MR, Monopoli MP, Bombelli FB, Laurent S (septiembre de 2011). "Interacciones proteína-nanopartícula: oportunidades y desafíos". Chemical Reviews . 111 (9): 5610– 5637. doi : 10.1021/cr100440g . PMID 21688848 . 
  52. ↑ Patel S, Mackerell AD, Brooks CL (septiembre de 2004). "CHARMM campo de fuerza de carga fluctuante para proteínas: II propiedades proteína/disolvente a partir de simulaciones de dinámica molecular utilizando un modelo electrostático no aditivo" . Journal of Computational Chemistry . 25 (12): 1504– 1514. Bibcode : 2004JCoCh..25.1504P . doi : 10.1002/jcc.20077 . PMID 15224394. S2CID 16741310 .  
  53. ↑ Najla Hosseini A, Lund M, Ejtehadi MR (mayo de 2022). "Efectos de polarización electrónica en la translocación de fármacos anticancerígenos a través de la membrana". Physical Chemistry Chemical Physics . 24 (20): 12281– 12292. Bibcode : 2022PCCP...2412281N . doi : 10.1039/D2CP00056C . PMID 35543365. S2CID 248696332 .  
  54. ↑ La metodología para tales métodos fue introducida por Warshel y colaboradores. En los últimos años, varios grupos han sido pioneros, entre ellos: Arieh Warshel ( Universidad del Sur de California ), Weitao Yang ( Universidad de Duke ), Sharon Hammes-Schiffer ( Universidad Estatal de Pensilvania ), Donald Truhlar y Jiali Gao ( Universidad de Minnesota ) y Kenneth Merz ( Universidad de Florida ).
  55. ↑ Billeter SR, Webb SP, Agarwal PK, Iordanov T, Hammes-Schiffer S (noviembre de 2001). "Transferencia de hidruro en la alcohol deshidrogenasa hepática: dinámica cuántica, efectos isotópicos cinéticos y papel del movimiento enzimático". Journal of the American Chemical Society . 123 (45): 11262– 11272. Bibcode : 2001JAChS.12311262B . doi : 10.1021/ja011384b . PMID 11697969 . 
  56. ^ Kmiecik S, Gront D, Kolinski M, Wieteska L, Dawid AE, Kolinski A (julio de 2016). "Modelos de proteínas de grano grueso y sus aplicaciones" . Reseñas químicas . 116 (14): 7898– 7936. Código bibliográfico : 2016ChRv..116.7898K . doi : 10.1021/acs.chemrev.6b00163 . PMID 27333362 . 
  57. ↑ Voegler Smith A, Hall CK (agosto de 2001). "Formación de hélice alfa: dinámica molecular discontinua en un modelo de proteína de resolución intermedia". Proteins . 44 (3): 344– 360. doi : 10.1002/prot.1100 . PMID 11455608 . S2CID 21774752 .  
  58. ↑ Ding F, Borreguero JM, Buldyrey SV, Stanley HE, Dokholyan NV (noviembre de 2003). "Mecanismo para la transición de hélice alfa a horquilla beta". Proteins . 53 (2): 220– 228. doi : 10.1002/prot.10468 . PMID 14517973 . S2CID 17254380 .  
  59. ↑ Paci E, Vendruscolo M, Karplus M (diciembre de 2002). "Validez de los modelos de Gō: comparación con una descomposición de energía empírica protegida por solvente" . Biophysical Journal . 83 (6): 3032– 3038. Bibcode : 2002BpJ....83.3032P . doi : 10.1016/S0006-3495(02)75308-3 . PMC 1302383. PMID 12496075 .  
  60. ↑ Chakrabarty A, Cagin T (mayo de 2010). "Modelado de grano grueso de copolímeros de poliimida". Polymer . 51 (12): 2786– 2794. doi : 10.1016/j.polymer.2010.03.060 .
  61. ↑ Foley TT, Shell MS, Noid WG (diciembre de 2015). "El impacto de la resolución sobre la entropía y la información en modelos de grano grueso". The Journal of Chemical Physics . 143 (24) 243104. Bibcode : 2015JChPh.143x3104F . doi : 10.1063/1.4929836 . PMID 26723589 . 
  62. ↑ Unke OT, Chmiela S, Sauceda HE, Gastegger M, Poltavsky I, Schütt KT, et al. (agosto de 2021). "Machine Learning Force Fields" . Chemical Reviews . 121 (16): 10142– 10186. Bibcode : 2021ChRv..12110142U . doi : 10.1021/ acs.chemrev.0c01111 . PMC 8391964. PMID 33705118 .   
  63. ↑ Hafner J (octubre de 2008). "Simulaciones ab initio de materiales usando VASP: teoría funcional de la densidad y más allá". Journal of Computational Chemistry . 29 (13): 2044–78 . doi : 10.1002/jcc.21057 . PMID 18623101 . 
  64. ↑ Wang H, Zhang L, Han J, Weinan E (julio de 2018). "DeePMD-kit: un paquete de aprendizaje profundo para la representación de energía potencial de muchos cuerpos y dinámica molecular". Computer Physics Communications . 228 : 178–184 . arXiv : 1712.03641 . Bibcode : 2018CoPhC.228..178W . doi : 10.1016/j.cpc.2018.03.016 .
  65. ↑ Zeng J, Zhang D, Lu D, Mo P, Li Z, Chen Y, et al. (agosto de 2023). "DeePMD-kit v2: un paquete de software para modelos de potencial profundo" . The Journal of Chemical Physics . 159 (5) 054801. arXiv : 2304.09409 . Bibcode : 2023JChPh.159e4801Z . doi : 10.1063/5.0155600 . PMC 10445636. PMID 37526163 .   
  66. ↑ Schütt KT, Kessel P, Gastegger M, Nicoli KA, Tkatchenko A, Müller KR (enero de 2019). "SchNetPack: una caja de herramientas de aprendizaje profundo para sistemas atomísticos". Journal of Chemical Theory and Computation . 15 (1): 448– 455. arXiv : 1809.01072 . Bibcode : 2019JCTC...15..448S . doi : 10.1021/acs.jctc.8b00908 . PMID 30481453 . 
  67. ↑ Schütt KT, Hessmann SS, Gebauer NW, Lederer J, Gastegger M (abril de 2023). "SchNetPack 2.0: Una caja de herramientas de redes neuronales para el aprendizaje automático atomístico". The Journal of Chemical Physics . 158 (14) 144801. arXiv : 2212.05517 . Bibcode : 2023JChPh.158n4801S . doi : 10.1063/5.0138367 . PMID 37061495 . 
  68. ↑ Behler, J. (2016). "Perspectiva: Potenciales de aprendizaje automático para simulaciones atomísticas". Journal of Chemical Physics , 145(17), 170901.
  69. ↑ Mueller, T.; Hernandez, A.; Wang, C. (2020). "Aprendizaje automático para modelos de potencial interatómico". Nature Reviews Materials , 5, 499–513.
  70. ↑ Behler, J. (2016). "Perspectiva: Potenciales de aprendizaje automático para simulaciones atomísticas". Journal of Chemical Physics , 145(17), 170901.
  71. ↑ Deringer, VL; Caro, MA; Csányi, G. (2019). "Aprendizaje automático de potenciales interatómicos como herramientas emergentes para la ciencia de los materiales". Advances in Physics: X , 4(1).
  72. ↑ Behler, J. (2016). "Perspectiva: Potenciales de aprendizaje automático para simulaciones atomísticas". Journal of Chemical Physics , 145(17), 170901.
  73. ↑ Mueller, T.; Hernandez, A.; Wang, C. (2020). "Aprendizaje automático para modelos de potencial interatómico". Nature Reviews Materials , 5, 499–513.
  74. ↑ Deringer, VL; Caro, MA; Csányi, G. (2019). "Aprendizaje automático de potenciales interatómicos como herramientas emergentes para la ciencia de los materiales". Advances in Physics: X , 4(1).
  75. ↑ Nordlund, K. et al. (2018). "Daños primarios por radiación: una revisión de la comprensión y los modelos actuales". Journal of Nuclear Materials , 512, 450–479.
  76. ↑ Ziegler, JF; Biersack, JP; Littmark, U. (1985). El frenado y el alcance de los iones en los sólidos . Pergamon Press.
  77. ↑ Leach A (30 de enero de 2001). Modelado molecular: principios y aplicaciones (2.ª ed.). Harlow: Prentice Hall. ISBN  978-0-582-38210-7. ASIN 0582382106 . 
  78. ↑ Leach AR (2001). Modelado molecular: principios y aplicaciones (2.ª ed.). Harlow, Inglaterra: Prentice Hall. pág. 320. ISBN   0-582-38210-6OCLC 45008511​​ 
  79. ↑ Allen MP, Tildesley DJ (22 de agosto de 2017). Simulación por ordenador de líquidos (2.ª ed.). Oxford University Press. pág. 216. ISBN   978-0-19-880320-1. ASIN 0198803206 . 
  80. ↑ Essmann U, Perera L, Berkowitz ML, Darden T, Lee H, Pedersen LG (1995-11-15). "Un método de Ewald de malla de partículas suavizada" . The Journal of Chemical Physics . 103 (19): 8577– 8593. Bibcode : 1995JChPh.103.8577E . doi : 10.1063/1.470117 . ISSN 0021-9606 . 
  81. ↑ Kohnke B, Kutzner C, Grubmüller H (2020-11-10). "Un método multipolar rápido acelerado por GPU para GROMACS: rendimiento y precisión" . Journal of Chemical Theory and Computation . 16 (11): 6938– 6949. Bibcode : 2020JCTC...16.6938K . doi : 10.1021/acs.jctc.0c00744 . ISSN 1549-9618 . PMC 7660746. PMID 33084336 .   
  82. ↑ Persson LJ, Sahin C, Landreh M, Marklund EG (2024-09-17). "Simulaciones de dinámica molecular de alto rendimiento para espectrometría de masas nativa de grandes complejos proteicos con el método multipolar rápido" . Analytical Chemistry . 96 (37): 15023– 15030. Bibcode : 2024AnaCh..9615023P . doi : 10.1021/acs.analchem.4c03272 . ISSN 0003-2700 . PMC 11411496. PMID 39231152 .   
  83. ↑ Nienhaus GU (2005). Interacciones proteína-ligando: métodos y aplicaciones . Prensa Humana. págs. 54–56 . ISBN  978-1-61737-525-5.
  84. ↑ Leszczyński J (2005). Química computacional: revisiones de las tendencias actuales, Volumen 9. World Scientific. pp. 54–56 . ISBN  978-981-256-742-0.
  85. ↑ Kumar S, Rosenberg JM, Bouzida D, Swendsen RH, Kollman PA (octubre de 1992). "El método de análisis de histograma ponderado para cálculos de energía libre en biomoléculas. I. El método". Journal of Computational Chemistry . 13 (8): 1011– 1021. Bibcode : 1992JCoCh..13.1011K . doi : 10.1002/jcc.540130812 . S2CID 8571486 . 
  86. ↑ Bartels C (diciembre de 2000). "Análisis de simulaciones de Monte Carlo y dinámica molecular sesgadas". Chemical Physics Letters . 331 ( 5–6 ): 446–454 . Bibcode : 2000CPL...331..446B . doi : 10.1016/S0009-2614(00)01215-X .
  87. ↑ Lemkul JA, Bevan DR (febrero de 2010). "Evaluación de la estabilidad de las protofibrillas amiloides de Alzheimer mediante dinámica molecular". The Journal of Physical Chemistry B. 114 ( 4): 1652–1660 . Bibcode : 2010JPCB..114.1652L . doi : 10.1021/jp9110794 . PMID 20055378 . 
  88. ↑ Patel JS, Berteotti A, Ronsisvalle S, Rocchia W, Cavalli A (febrero de 2014). "Simulaciones de dinámica molecular dirigidas para estudiar la interacción proteína-ligando en la quinasa dependiente de ciclina 5". Journal of Chemical Information and Modeling . 54 (2): 470– 480. doi : 10.1021/ci4003574 . PMID 24437446 . 
  89. ↑ Gosai A, Ma X, Balasubramanian G, Shrotriya P (noviembre de 2016). "Unión/desunión controlada por estímulo eléctrico del complejo trombina-aptámero humano" . Scientific Reports . 6 (1) 37449. Bibcode : 2016NatSR...637449G . doi : 10.1038/srep37449 . PMC 5118750. PMID 27874042 .  
  90. ↑ Palma CA, Björk J, Rao F, Kühne D, Klappenberger F, Barth JV (agosto de 2014). "Dinámica topológica en rotores supramoleculares". Nano Letters . 14 (8): 4461– 4468. Bibcode : 2014NanoL..14.4461P . doi : 10.1021/nl5014162 . PMID 25078022 . 
  91. ↑ Levitt M, Warshel A (febrero de 1975). "Simulación por ordenador del plegamiento de proteínas". Nature . 253 (5494): 694– 698. Bibcode : 1975Natur.253..694L . doi : 10.1038/253694a0 . PMID 1167625. S2CID 4211714 .  
  92. ↑ Warshel A (abril de 1976). " Modelo de pedales de bicicleta para el primer paso en el proceso de visión". Nature . 260 (5553): 679– 683. Bibcode : 1976Natur.260..679W . doi : 10.1038/260679a0 . PMID 1264239. S2CID 4161081 .  
  93. ↑ Smith, R., ed. (1997). Colisiones atómicas e iónicas en sólidos y superficies: teoría, simulación y aplicaciones . Cambridge, Reino Unido: Cambridge University Press.
  94. ↑ Freddolino P, Arkhipov A, Larson SB, McPherson A, Schulten K. "Simulación de dinámica molecular del virus del mosaico del tabaco satélite (STMV)" . Grupo de Biofísica Teórica y Computacional . Universidad de Illinois en Urbana-Champaign.
  95. ↑ Jayachandran G, Vishal V, Pande VS (abril de 2006). "Uso de simulación masivamente paralela y modelos markovianos para estudiar el plegamiento de proteínas: examen de la dinámica de la cabeza de la vilina" . The Journal of Chemical Physics . 124 (16) 164902. Bibcode : 2006JChPh.124p4902J . doi : 10.1063/1.2186317 . PMID 16674165 . 
  96. 1 2 Lindorff-Larsen K, Piana S, Dror RO, Shaw DE (octubre de 2011). "Cómo se pliegan las proteínas de plegamiento rápido". Science . 334 (6055): 517– 520. Bibcode : 2011Sci...334..517L . CiteSeerX 10.1.1.1013.9290 . doi : 10.1126/science.1208351 . PMID 22034434 . S2CID 27988268 .   
  97. ↑ Shaw DE, Maragakis P, Lindorff-Larsen K, Piana S, Dror RO, Eastwood MP, et al. (octubre de 2010). "Caracterización a nivel atómico de la dinámica estructural de las proteínas". Science . 330 (6002): 341– 346. Bibcode : 2010Sci...330..341S . doi : 10.1126/science.1187409 . PMID 20947758 . S2CID 3495023 .   
  98. ↑ Shi Y, Szlufarska I (noviembre de 2020). "Evolución microestructural inducida por el desgaste del aluminio nanocristalino y el papel de los dopantes de circonio" . Acta Materialia . 200 : 432–441 . Bibcode : 2020AcMat.200..432S . doi : 10.1016/j.actamat.2020.09.005 . S2CID 224954349 . 
  99. ↑ Larsen PM, Schmidt S, Schiøtz J (1 de junio de 2016). "Identificación estructural robusta mediante coincidencia de plantillas poliédricas". Modelado y simulación en ciencia e ingeniería de materiales . 24 (5) 055007. arXiv : 1603.05143 . Bibcode : 2016MSMSE..24e5007M . doi : 10.1088/0965-0393/24/5/055007 . S2CID 53980652 . 
  100. ↑ Hoffrogge PW, Barrales-Mora LA (febrero de 2017). "Cinética resuelta en grano y rotación durante el crecimiento de grano de aluminio nanocristalino mediante dinámica molecular". Computational Materials Science . 128 : 207–222 . arXiv : 1608.07615 . doi : 10.1016/j.commatsci.2016.11.027 . S2CID 118371554 . 
  101. ↑ Bonald T, Charpentier B, Galland A, Hollocou A (22 de junio de 2018). "Agrupamiento jerárquico de grafos mediante muestreo de pares de nodos". arXiv : 1806.01664 [ cs.SI ].
  102. ^ Tavakoli D, Tarighat A (2016). "Estudio de dinámica molecular de las propiedades mecánicas de las fases del clinker de cemento Portland". Ciencia de Materiales Computacionales . 119 : 65– 73. doi : 10.1016/j.commatsci.2016.03.043 .
  103. ↑ Tavakoli D, Tarighat A, Beheshtian J (2019). "Investigación a nanoescala de la influencia del agua en las propiedades elásticas del gel C–S–H mediante simulación molecular". Actas de la Institución de Ingenieros Mecánicos, Parte L: Revista de Materiales: Diseño y Aplicaciones . 233 (7): 1295– 1306. doi : 10.1177/1464420717740926 .
  104. ↑ Tarighat A, Tavakoli D (2019). "Estimación de las propiedades elásticas de importantes hidratos de silicato de calcio a nanoescala: un enfoque de dinámica molecular". Journal of Rehabilitation in Civil Engineering . 7 (4): 18– 36.
  105. ↑ Tavakoli D, Gao P, Tarighat A, Ye G (2020). "Enfoque multiescala desde lo atomístico hasta lo macro para la simulación de las propiedades elásticas de la pasta de cemento". Iranian Journal of Science and Technology, Transactions of Civil Engineering . 44 (3): 861– 873. doi : 10.1007/s40996-020-00342-4 (inactivo el 14 de diciembre de 2025).{{cite journal}}: CS1 maint: DOI inactivo desde diciembre de 2025 ( enlace )
  106. ↑ Stone JE, Phillips JC, Freddolino PL, Hardy DJ, Trabuco LG, Schulten K (diciembre de 2007). "Aceleración de aplicaciones de modelado molecular con procesadores gráficos". Journal of Computational Chemistry . 28 (16): 2618– 2640. Bibcode : 2007JCoCh..28.2618S . CiteSeerX 10.1.1.466.3823 . doi : 10.1002/jcc.20829 . PMID 17894371. S2CID 15313533 .   

Referencias generales

  • Allen MP, Tildesley DJ (1989). Simulación por ordenador de líquidos . Oxford University Press. ISBN 0-19-855645-4.
  • McCammon JA, Harvey SC (1987). Dinámica de las proteínas y los ácidos nucleicos . Cambridge University Press. ISBN 0-521-30750-3.
  • Rapaport DC (1996). El arte de la simulación de dinámica molecular . ISBN 0-521-44561-2.
  • Griebel M , Knapek S, Zumbusch G (2007). Simulación Numérica en Dinámica Molecular . Berlín, Heidelberg: Springer. ISBN 978-3-540-68094-9.
  • Frenkel D , Smit B (2002) [2001]. Comprensión de la simulación molecular: de los algoritmos a las aplicaciones . San Diego: Academic Press. ISBN 978-0-12-267351-1.
  • Haile JM (2001). Simulación de dinámica molecular: métodos elementales . Wiley. ISBN 0-471-18439-X.
  • Sadus RJ (2002). Simulación molecular de fluidos: teoría, algoritmos y orientación a objetos . Elsevier. ISBN 0-444-51082-6.
  • Becker OM, Mackerell Jr AD, Roux B, Watanabe M (2001). Bioquímica y biofísica computacional . Marcel Dekker. ISBN 0-8247-0455-X.
  • Leach A (2001). Modelado molecular: principios y aplicaciones (2.ª  ed.). Prentice Hall. ISBN 978-0-582-38210-7.
  • Schlick T (2002). Modelado y Simulación Molecular . Saltador. ISBN 0-387-95404-X.
  • Hoover WB (1991). Mecánica estadística computacional . Elsevier. ISBN 0-444-88192-1.
  • Evans DJ, Morriss G (2008). Mecánica estadística de líquidos en desequilibrio (Segunda  edición). Cambridge University Press. ISBN 978-0-521-85791-8.
  • El proyecto GPUGRID.net ( GPUGRID.net )
  • El Proyecto del Gen Azul ( IBM ) JawBreakers.org
  • Códigos de modelado de materiales y simulación por ordenador
  • Algunos consejos sobre dinámica molecular
  • Vídeo de simulación de dinámica molecular del agua (YouTube)