Dinámica Molecular y Monte Carlo aplicado a mecánica...
Transcript of Dinámica Molecular y Monte Carlo aplicado a mecánica...
Seminario Interacciones Intermoleculares
Dinámica Molecular y Monte Carlo aplicado a mecánica estadística
Presenta
Eli Fernández de Gortari
La longitud de onda de los núcleos es tan pequeña que nos
permite tratarlos como partículas clásicas
Una partículas es una partícula
Definición operacional
• Se sigue la evolución de un sistema compuesto de N
partículas clásicas.
• Cada partícula interactúa simultáneamente con las
otras partículas (pero también pueden ser
consideradas como esferas sólidas interactuando por
contacto) y con un potencial.
Espacio de fase• Para identificar al sistema dinámico formado de
N partículas de forma única, es necesario
especificar la posición y la velocidad de cada
una de ellas (6N variables) • Un punto en un espacio con dimensión 6N
representa a nuestro sistema dinámico
Tres objetivos
• Promedio de ensambles (propiedades termodinámicas)
• Evolución en tiempo real
• Optimización (simulated annealing)
Limitaciones
• Escalas de tiempo
• Tamaño del sistema
• Exactitud de las fuerzas
• Núcleos clásicos
En general:• Inicialización: Seleccionar las posiciones y las
velocidades.
• Integrar: calcular todas las fuerzas y determinar las
nuevas posiciones.
• Equlibrar: dejar que el sistema alcance el equilibrio
(pérdida de memoria de las condiciones iniciales).
• Valores esperados: acumular cantidades de interés.
Inicialización
• Ecuaciones diferenciales de segundo orden: se
requieren las posiciones y velocidades iniciales.
• Posiciones iniciales: tienen que ser razonablemente
compatibles con la estructura que se estudia. Evitar
traslapes y distancias muy cortas.
• Velocidades: cero o pequeñas para después
incrementar la temperatura paulatinamente.
Integración
• Se usa un integrador (Verlet, leapfrog Verlet, velocity
Verlet, Gear predictor-corrector).
• Elegir un ensamble termodinámico (microcanónico
NVE, canónico NVT usando un termostato, Isotérmico
isobárico NPT usando un baróstato)
• Estocásticos (Langevin), constrained (reescalamiento
de velocidades), sistemas extendidos(Nose-Hoover)
Integrador de Verlet
Sumando las dos expresiones
Inestabilidad de Lyapunov
Propiedades
termodinámicas
Bajo la hipótesis ergódica se puede asumir que el promedio
temporal a lo largo de una trayectoria es igual al promedio del
ensamble en el espacio de fases.
Conservación de la energía
Por Ejemplo
• Integrando las ecuaciones de movimiento de Newton
en un ensamble microcanónico: N, V y E constantes.
• La trayectoria se expande a través del espacio de
fase del microcanónico.
• Una trayectoria lo suficientemente larga genera una
excelente selección de los microestados
En optimización
• Principio de equipartición de la energía
Estr + Ebend + Estr-bend + Eoop + Etor + EVdW + Eqq
Esteric energy = Energía Interna
Estr= Stretching
Ebend=Bending
Estr-bend=Stretch-Bend
Eoop=out of plane bending
Etor
Diedro sp3 Halógenos
EVdW=Van der Waals
Eqq=Electrostatic interactions
Force Field
rotación traslación
Por cada rotación interna distinta a metilo
Entalpía de formación
Minimización de Energía
•Newton-Raphson •Steepest Descent •Conjugate gradient
Newton-Raphson
Dinámica molecular
Energía vibracional de un enlace
PasosGromacs
Obtener estructura de proteína
pdb2gmx
Topología
Archivo de posición restringida
Archivo post-proceso
Generación de caja de simulación
editconf
Solvatado y neutralizar carga con iones
geniongenbox
TIP3P
grompp
Ensamblado Correr minimización de energía
mdrun
g_energy
Relajación de disolvente con posición restringida
Correr dinámica
Resultados
Otros
Puentes de Hidrógeno y distancia entre aminoácidos
Contactos proteína ligando
Canal de potasio e inhibidor
Formación de micelas
Agua evaporándose
Salicilato interactuando con membrana
Proteínas de membrana
Monte Carlo
42
Cálculo de Pi
44
45
Algoritmo de Metrópoli
• Iniciar con alguna configuración.
• Escoger una perturbación.
• Calcular la energía debido a la perturbación.
• Si:
Aceptar
Aceptar con una probabilidad de
• Elegir siguiente perturbación
46
Monte Carlo como método de muestreo
Ensamble( colección de posibles microestados)
Muestreo simple
Gracias por su atención
47
Referencias:1. Understanding Molecular Simulation from algorithms to applications, Daan Frenkel, Beren Smit, Academic Press, 2012, San Diego, California, USA.2. Molecular Modeling of Proteins, Andreas Kukol, Humana Press, 2008, Totowa, N.J, USA. 3. The art of Molecular Dynamics Simulation, D.C. Rapaport, Cambridge University Press, 2004, N.Y., USA.4. Química Molecular Estadística, Termodinámica Estadística para Químicos y Bioquímicos, Iñaki Tuñon, Estanislao Silla, Editorial Síntesis, España.5. Monte Carlo Methods in Estatistical Physics, M.E.J. Newman, J.T. Barkema, Clarendon Press, 2001, Oxford, U.K.