Química: ¿Qué información se pierde en los modelos de dinámica molecular de grano grueso?

No creo que haya una respuesta a esta pregunta, ya que hay múltiples modelos de grano grueso (CG), cada uno de los cuales incorpora diferentes interacciones.

Algunos modelos asignan 4/6 átomos a 1 cuenta de grano grueso [1], algunos asignan 200 átomos a 1 barra CG con una orientación [2]. Algunos son modelos de celosía [3], algunos son modelos de celosía [4]. Algunos cargan cargas parciales [5], algunos representan vectores dipolares [6], y algunos usan el modelo drude para explicar la polarización [7]. Algunos representan solventes [8], algunos modelan el agua como un elemento intermedio entre C y Si para estudiar el papel del solvente a bajas temperaturas y presiones [9], y algunos usan solventes implícitos o un dieléctrico para reducir el número de interacciones [1].


Figura: amplio espectro de modelos CG [10]

Como puede ver, hay limitaciones distintas para cada uno de los modelos anteriores. Y la pérdida de información es específica de un modelo, pero sí, la información definitivamente se pierde durante el grano grueso.

  • Del mismo modo, hay una pérdida de información al usar modelos continuos.
  • También hay una pérdida de información mientras se usa MD clásico y no se incorporan efectos cuánticos.

Existen limitaciones en todos los campos de trabajo / investigación **, y muchos son conscientes de estas limitaciones. Pero la pregunta más importante es: ¿cuánto afecta la pérdida de información al resultado real?

Nuevamente, no hay una respuesta general a esa pregunta. Tendrá que usar un modelo para probar diferentes procesos para comprender cómo y por qué las interacciones que no están incluidas afectan los resultados.

El propósito de CG es muy diferente de estudiar MD de todos los átomos. CG le permite explorar eventos que pueden no ser reales, para ayudar a comprender la interacción entre las fuerzas impulsoras. Por ejemplo, uno puede definir un parámetro y explorar el efecto de ese parámetro de 0 a 1 [dentro de las leyes de la termodinámica], en una propiedad global particular [11]. También se pueden explorar múltiples interacciones y condiciones que resultan en una propiedad observada [12]

La mayoría de los investigadores desarrollan su propio modelo para estudiar un conjunto de sistemas de interés. Por lo tanto, tienen control sobre las interacciones para incluir en el campo de fuerza y ​​excluir las que son menos importantes (por sus sistemas de interés). Un resultado observado a veces puede reducirse a su resolución atomística para comprender las implicaciones. CG proporciona ideas únicas que pueden ayudar tanto a los experimentadores como a los teóricos.

En mi opinión, CG es una herramienta buena y útil, pero debe usarse con otras técnicas y teorías para obtener una comprensión más completa del sistema de interés.

Esto también es cierto para el MD clásico.

Referencias
[1] Ampliación del modelo PRIME para la agregación de proteínas a los veinte aminoácidos
[2] Geometría agregada en la nucleación de fibrillas amiloides
[3] Sondeo de los mecanismos de formación de fibrillas utilizando modelos de red.
[4] Estudio multicanónico de modelos de celosía de grano grueso para heteropolímeros plegables.
[5] Un modelo de agua de grano grueso polarizable simple y eficiente para simulaciones de dinámica molecular
[6] Un modelo cuantitativo de grano grueso para bicapas lipídicas
[7] Modelo de agua polarizable
[8] Un nuevo campo de fuerza de grano grueso para simulaciones de péptidos de membrana
[9] Agua modelada como un elemento intermedio entre carbono y silicio †
[10] Estudios computacionales de agregación de proteínas: métodos y aplicaciones.
[11] Los efectos de la propensión de la lámina β y la atracción de la superficie
[12] Simulaciones de celosía de la morfología de fase en bicapas lipídicas: Renormalización, forma de membrana e interacciones dipolo electrostáticas.

Notas al pie:
** También existen serios inconvenientes para los experimentos in vitro . Se pueden estudiar las interacciones de dos moléculas en un tubo de ensayo, pero en una célula real, hay miles de moléculas y hacinamiento molecular. ¿Cómo se traducirán los resultados observados en un tubo de ensayo a una célula? Las interacciones en las células también son entornos aislados, ¿cómo se correlacionan los resultados observados a medida que se escala el sistema?

Los modelos de grano grueso son el futuro de la química computacional obviamente porque son sistemas computacionalmente menos exigentes.
Cuando hablamos de modelos de grano grueso, lo primero que nos impacta es la pérdida de información debido a la pérdida del grado de libertad de las moléculas. Hoy en día hay muchos modelos de grano grueso bien conocidos y buenos que pueden dar resultados en una muy buena correspondencia con las simulaciones atomísticas. La mejor manera de obtener un sistema de grano grueso es el grano ultra grueso y muchos más. La idea principal detrás de estos modelos de grano grueso recientemente desarrollados es mantener el sistema constante pero grano grueso aquellas partes del sistema que son irrelevantes durante las simulaciones. Entonces podemos obtener resultados precisos y al mismo tiempo el costo computacional será menor. Si está interesado en esta área, le recomiendo encarecidamente que lea algunos trabajos de investigación de G. Voth en la Universidad de Chicago. Es uno de los pioneros en el área de grano grueso.