авторефераты диссертаций БЕСПЛАТНАЯ  БИБЛИОТЕКА

АВТОРЕФЕРАТЫ КАНДИДАТСКИХ, ДОКТОРСКИХ ДИССЕРТАЦИЙ

<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ


Pages:   || 2 |
-- [ Страница 1 ] --

Учебно-методическое обеспечение для подготовки кадров

по программам высшего профессионального образования для тематического

направления ННС «Нанобиотехнологии»

_

Учебно-методическое обеспечение для подготовки магистров

по программам высшего профессионального образования

направления подготовки «Нанотехнология» с профилем

подготовки «Нанобиотехнологии»

Р.Г. Ефремов, К.В. Шайтан УчебНо-методический комплекс для магистров по дисциплиНе молекУлярНое моделироваНие НаНо- и биострУктУр УДК 541 ББК 28.07 Е 92 е 92 ефремов, р.г. Молекулярное моделирование нано- и биоструктур [текст]: учебно-методический комплекс для магистров по дисципли не / Р.Г. Ефремов, К.В. Шайтан. – М., 2010. – 133 с.

ISBN Охраняется законом РФ об авторском и смежном правах. Вос произведение всего учебно-методического комплекса или его любой части (в том числе в электронном виде) без письменного разрешения автора и издателя запрещается. Попытки нарушения закона будут преследоваться в судебном порядке.

ISBN © Ефремов Р.Г., Шайтан К.В., © НОУ ДПО «Институт информационных технологий “АйТи”», часть 1:

тексты лекций Ефремов Р.Г., Шайтан К.В.

введение Лекционный курс знакомит студентов с современными методами молеку лярного моделирования биологических макромолекул (на примере белков, биомембран и белок-мембранных систем). Биологическая активность бел ков определяется особенностями их пространственной структуры и дина мическим поведением в среде. В настоящее время методы компьютерного моделирования и биоинформатики являются мощными средствами изучения структурно-динамических свойств водорастворимых и мембранных белков, существенно расширяя и дополняя традиционные биофизические подходы.

Основное внимание в рамках настоящего курса лекций уделено вычисли тельным подходам, использующим эмпирические силовые поля – методам молекулярной механики, молекулярной динамики, Монте-Карло. Рассматри ваются теоретические основы указанных подходов, используемые физичес кие модели и математические алгоритмы. Обсуждаются комбинированные подходы к постановке вычислительного эксперимента – с использованием набора in silico технологий.

Возможности и ограничения методов молекулярного моделирования ил люстрируются на примерах реальных научных проблем, решаемых автором и коллегами на кафедре биоинженерии Биологического факультета МГУ и в Лаборатории структурной биологии ИБХ РАН. Специальные разделы курса посвящены актуальным разделам современной биофизики - учету эффектов сольватации в расчетах сложных биологических систем и моделированию мембранных и мембрано-активных пептидов и белков.

МОЛЕКУЛяРНОЕ МОДЕЛИРОВАНИЕ НАНО- И БИОСТРУКТУР 1. поНятие in silico в совремеННой биологии.

общая характеристика методов компьютерНого моделироваНия. осНовНые НаправлеНия.

тип решаемых задач За последние несколько десятилетий развитие компьютерной техники достигло небывалых размеров. И, как следствие, компьютеризация охвати ла многие отрасли науки и техники. Не исключение составила и биология.

Если раньше компьютер рассматривался лишь как средство обработки экс периментальных данных, характер которых мог быть чрезвычайно разнооб разным - от статистических исследований численностей популяций, до об работки данных рентгеноструктурного анализа, - то со временем стала раз виваться идея полностью компьютерного эксперимента. Это означает, что, имея на входе некую математическую модель явления или биологического объекта, а также соответствующие исходные параметры, получают результа ты вычислений, описывающие поведение исследуемой системы. Для обозна чения всего, что связано с компьютерными экспериментами, в 90-е годы XX века даже возник полушутливый латинизм – in silico (от «in silicon», т.е. «в кремнии»), который дополнил ряд существовавших еще с конца столе тия классических определений характера экспериментальной среды – in vivo («вживую»), in vitro («в пробирке»). Подход in silico является многоуровне вым и включает в себя задачи по моделированию поведения отдельных мо лекул, биохимических процессов и даже по функционированию отдельных физиологических систем.

Актуальность применения вычислительных и компьютерных технологий в современной физико-химической биологии стала особенно очевидной в связи с расшифровкой ряда геномов целых организмов - от микроорганизмов (включая патогенные) до млекопитающих, в том числе человека. В последние годы накопление геномной информации идет очень стремительно, учитывая ее практическую значимость для медицины и биотехнологии. Из генетичес ких текстов можно извлечь информацию об эволюционном происхождении видов и функциональном значении генов и белков, а также использовать эту информацию для компьютерного моделирования генетических сетей (т.е.

процессов активизации и супрессии работы генов в процессе жизненного цикла), структуры нуклеиновых кислот и белков. Это позволит более осмыс ленно проводить генно-инженерные работы по созданию новых генетичес ких конструкций, а также для целенаправленного конструирования новых высокоэффективных и высокоспецифичных лекарств. Для решения этих фун даментальных задач необходимо создание новых математических методов анализа символьных последовательностей и конструирования генных сетей, Ефремов Р.Г., Шайтан К.В.

разработка алгоритмов установления пространственной структуры биомоле кул и анализа их динамического поведения, хранение информации в банках данных для последующего использования. Обьемы информации таковы, что без высокопроизводительных вычислений и компьютерных банков данных полученную информацию невозможно использовать.



Таким образом, в распоряжении исследователей оказывается уникальная информация - аминокислотные последовательности всех белков, кодируе мых целыми геномами. Это обеспечивает принципиальную возможность расшифровки пространственной структуры и механизмов функционирова ния всех белков в конкретных организмах на конкретных стадиях развития.

Сверхзадача постгеномного этапа развития биологии - интеллектуальное прочтение закодированной в геномах информации с целью выявления фун даментальной взаимосвязи “генетический текст - пространственная структу ра – функция и ее целенаправленное изменение”. В результате будут созданы принципиально новые подходы как в фундаментальных (понимание на мо лекулярном уровне основ биосинтеза, фолдинга и динамики биополимеров), так и в прикладных (конструирование новых лекарств, создание молекул с заданными свойствами, включая проектирование биомолекул de novo и т.д.) аспектах физико-химической биологии, биотехнологии и медицины.

При решении указанных проблем одна из основных ролей отводится ме тодам молекулярного моделирования. Методы молекулярного моделирования быстро развиваются и являются приоритетными во всех развитых странах, о чем наглядно свидетельствуют ассигнования из бюджетов государств и час тных компаний, а также стремительный рост числа научных центров по дан ной проблематике. Недаром век повсеместно объявлен “веком биологии и информатики”. Мировое научное сообщество затратило значительные фи нансовые ресурсы и приложило огромные усилия для того, чтобы секвениро вать разнообразные геномы. Однако извлечение биологической информации из генетических текстов все более и более становится прикладной математи ческой задачей, требующей определенного «контроля» со стороны биологии.

В этом смысле все особенности генетического текста, которые можно опре делить математическими методами, должны быть биологически осмыслен ны. Трудности выполнения подобных проектов связаны как с недостаточным пониманием на молекулярном уровне физико-химических закономерностей, определяющих пространственную структуру, динамику и функцию биомак ромолекул и реализующихся на конкретных этапах жизнедеятельности ор ганизма в норме и при патологии, так и с гигантскими массивами обрабаты ваемой информации (например, геном человека содержит около 3 109 пар нуклеотидных оснований, или ~ 25 тыс. генов), что требует высокопроизво дительных вычислений и эффективных алгоритмов.

МОЛЕКУЛяРНОЕ МОДЕЛИРОВАНИЕ НАНО- И БИОСТРУКТУР Молекулярное моделирование - это один из аспектов понятия in silico, который представляет из себя набор вычислительных методов, позволяющих в рамках приближенных физических моделей различной степени сложности изучать биомолекулярные системы. В зависимости от характера используе мых математических моделей и алгоритмов, методы молекулярного модели рования можно разбить на несколько групп. К первой из них можно отнести все методики анализа биологических текстов (аминокислотных и нуклеотид ных последовательностей, мотивов и паттернов, пространственных структур биомолекул), а также работу с соответствующими базами данных. Эта об ласть получила название биоинформатика. Следующая группа объединяет методики изучения молекулярных систем с использованием эмпирических силовых полей. Силовое поле представляет собой аналитическое выражение для вычисления энергии системы и набор соответствующих (эмпирически подобранных) параметров, которые используют в таких расчетах. Наконец, специальные подходы, позволяющие изучать межмолекулярные взаимо действия, например, лиганд-рецептор, фермент-субстрат и т.п., относятся к области молекулярного докинга. Следует отметить, что подобная классифи кация является достаточно условной, поскольку при решении практических задач, как правило, совместно применяются методы, относящиеся к различ ным группам. В дальнейшем это будет проиллюстрировано на конкретных примерах.

Ефремов Р.Г., Шайтан К.В.

2. биоиНформатика Биоинформатика - это направление молекулярного моделирования, свя занное с анализом биологических текстов (как уже говорилось в предыдущей теме). Такими текстами являются аминокислотные и нуклеотидные после довательности, специфические мотивы и паттерны. Исходя из определения, биоинформатика оказывается близкой к такой междисциплинарной науке как лингвистика. Однако характер и специфика анализируемых текстов поз воляют выделить биоинформатику как самостоятельное направление. Изна чально основной задачей биоинформатики являлось установление степени подобия между исследуемой последовательностью и уже имеющимся на бором подобных последовательностей. Поиск в специализированных базах данных аминокислотных или нуклеотидных последовательностей, гомоло гичных данной, обычно сводится к поэтапному выравниванию соответству ющих текстов и определению степени гомологии и идентичности. Степень идентичности двух последовательностей - это процентная доля одинаковых символов в соответствующих положениях обеих последовательностей. Сте пень гомологии – это процентная доля сходных по определенным свойствам (например, по гидрофобности, электрическому заряду и т.п.) символов в со ответствующих положениях обеих последовательностей. Понятно, что кри терии гомологичности двух символов зависят от характера анализируемо го текста. Обычно на практике применяется множественное выравнивание исследуемой последовательности с определенным набором потенциальных гомологов, имеющихся в базах данных.

С помощью биоинформатики решаются такие задачи, как составление эволюционных генетических деревьев организмов, установление гомологии между различными белками и поиск функциональных паттернов (активные центры ферментов, сайты узнавания лигандов, вторичная структура белка, характерные типы укладки пространственной структуры) и др. В своем сов ременном виде биоинформатика позволяет решать и более сложные задачи, такие как поиск интронных и экзонных областей в нуклеотидных последо вательностях, определение функции белка по имеющейся аминокислотной последовательности и др.

Рассматриваются следующие базы данных биологической информации:

базы данных нуклеотидных и аминокислотных последовательностей (- BANK, SWISS-PROT, PIR, MBL-Trembl);

базы данных функциональных мотивов и паттернов (,, );

базы данных пространс,, твенных структур биомолекул: B ( B: белки и их комплек :

сы с фрагментами нуклеиновых кислот, различными лигандами и пр.), B (Nucleic Acid bs: нуклеиновые кислоты и их компоненты), LB (Lpd МОЛЕКУЛяРНОЕ МОДЕЛИРОВАНИЕ НАНО- И БИОСТРУКТУР B: молекулярные структуры липидов, данные по физико-химичес :

ким свойствам липид-содержащих систем и пр.), CC (Cplx Cbhy d ucu bs: молекулы углеводов).

Более подробную информацию о биоинформационных ресурсах и воз можностях их использования посредством Интернет-сервиса можно найти на следующих WB-сайтах:

www.xpsy.g hp://cpb.l.gv/sucu/suc/ hp://www.ch.b.g/pgs/svcs.hl Сочетание современных математических методов определения статисти ческих закономерностей и широкое распространение Интернет-баз данных нуклеотидных и аминокислотных последовательностей, мотовов и про странственных структур делает биоинформатику мощным иструментом для решения биоинженерных задач.

Ефремов Р.Г., Шайтан К.В.

3. методы, осНоваННые На использоваНии эмпирических силовых полей Задача методов данной группы – моделирование пространственной струк туры и динамического поведения отдельных молекул и сложных биомолеку лярных систем на основании оценки их энергии. Цель – нахождение состо яний молекулярной системы, отвечающих глобальному и близлежащим (по энергии) локальным минимумам ее свободной энергии. Предполагается, что именно такие состояния реализуются в нативных условиях. Предпосылки, необходимые для решения задачи:

- корректный и эффективный в вычислительном плане расчет свободной энергии системы;

- высокопроизводительные алгоритмы исследования функции свободной энергии с целью нахождения ее наиболее глубоких минимумов.

Расчеты энергии проводят с использованием эмпирических силовых по лей. При этом молекулярную систему рассматривают, как правило, в при ближении классической (Ньютоновской) физики, а параметры, входящие в выражение для энергии, получают либо из анализа экспериментальных дан ных (спектроскопия, термохимия, рентгеноструктурный анализ и пр.), либо путем проведения достаточно точных квантовомеханических вычислений для отдельных (небольших по размеру) компонентов системы. В результате задача сводится к исследованию поведения системы частиц, подчиняющихся уравнениям движения Ньютона (хотя возможны и другие варианты):

d 2 ri dU mi 2 = Fi = dt dri (Здесь U - потенциальная энергия системы, ri и Fi - радиус-вектор час тицы i и действующая на нее сила.) Потенциальная энергия молекулярной системы (U) представляется в виде суммы независимых термов, характери зующих то или иное взаимодействие:

Utot = Uvalence + Unonbond, т.е. отдельно вводятся потенциалы для валентных и невалентых взаимо действий между атомами системы, которые, в свою очередь, в зависимости от используемого силового поля, подвергаются дальнейшей детализации:

Uvalence = Ubond + Uangle + Utorsion, Unonbond = UvdW + Ucoulomb + Uhbond Для каждого потенциала вводится подробное описание, исходя из приня тых физических приближений:

МОЛЕКУЛяРНОЕ МОДЕЛИРОВАНИЕ НАНО- И БИОСТРУКТУР kij (rij r0,ij )2, U bond (rij ) = U angle ( ij ) = kij ( ij 0,ij )2, Utorsion (ijkl ) = k (1 + cos(n 0 )), Aij Bij U dvW (rij ) =, rij r ij qi q j U coulomb (rij ) = k.

r rij Здесь Ubond, Uangle и Utorsion - энергия, связанная с изменением длины хи мических связей, величины валентных и двугранных углов молекулы, соот ветственно. UvdW и UCoulomb - невалентные ван-дер-ваальсовы и электростати ческие взаимодействия между атомами, которые не связаны между собой хи мическими связями. Используемые в уравнениях для потенциальных термов константы зависят от используемого силового поля. Существует довольно много силовых полей, разработанных разными группами авторов. Основное отличие между ними – аналитический вид выражения для энергии и разная параметризация энергетических термов, хотя в целом структура силового поля остается неизменной. Поскольку подгонка параметров силового поля проводится лишь к ограниченному набору экспериментальных данных (на пример, лишь для определенных классов молекул), не существует универ сального силового поля, одинаково хорошо пригодного для расчетов всех типов молекул. Это – проявление эмпирического характера силовых полей.

Наиболее точные результаты получаются для систем, компоненты которых были использованы на этапе параметризации. Например, чтобы получить корректное описание молекул белков, при создании силового поля необходи мо привлекать экспериментальные данные по аминокислотам и небольшим пептидам. Таким образом, выбор силового поля для решения конкретной за дачи является очень важным.

Допустим, мы сконструировали на компьютере с помощью молекулярно го редактора некую систему атомов (молекулярную систему). На первона чальном этапе эта система представляет собой лишь геометрический набор точек, неким образом расположенных в пространстве. Для того, чтобы сис тема приобрела физический смысл, необходимо каждому атому, изначально представленному в виде точки пространства, соотнести параметры силового Ефремов Р.Г., Шайтан К.В.

поля, которые позволят описывать взаимодействие с остальными атомами системы. Только после проведения подобной процедуры, молекулярная сис тема может быть использована для проведения дальнейших компьютерных экспериментов.

При проведении компьютерных экспериментов с использованием сило вых полей наиболее важную роль играют следующие методы:

Молекулярная механика (методы минимизации энергии);

Молекулярная и стохастическая динамика;

Методы Монте-Карло Методы минимизации энергии.

Одним из наиболее важных этапов служит минимизация энергии системы.

Основная задача - нахождение на поверхности потенциальной энергии точек (локальных минимумов), соответствующих стабильным состояниям систе мы. Для многоатомных молекулярных систем число локальных минимумов огромно, наибольший интерес представляет задача определения глобального минимума и близких к нему по энергии состояний, т.к. предполагается, что именно эти состояния реализуются в нативных условиях. К сожалению, до сих пор не существует эффективных подходов к решению данной проблемы.

Примеры задач физико-химической биологии, в которых используют ме тоды минимизации энергии:

Релаксация пространственных структур биомолекул, извлеченных из кристаллографических баз данных, либо построенных с помощью молекулярного редактора. В этом случае удается устранить энергети чески невыгодные стерические наталкивания, оптимизировать карти ну водородных связей, электростатические взаимодействия и т.д.

Получение оптимальных структур комплексов белок-лиганд – за счет минимизации энергии межмолекулярных взаимодействий;

Сравнительный анализ структурных и термодинамических пара метров различных стабильных состояний системы, полученных в ре зультате конформационного поиска;

Устранение невыгодных (с точки зрения энергии) взаимодейс твий в молекуле белка при моделировании точечных мутаций;

Приведение системы к состоянию, учитывающему заданный на бор условий – например, получение конформаций белка, удовлетворя ющих ряду ограничений на углы и расстояния, измеренных в экспери менте;

Наиболее часто используемые алгоритмы минимизации энергии молеку лярных систем: метод наискорейшего спуска, метод сопряженных градиен тов, симплекс-метод, метод Ньютона-Рафсона. Эти и ряд других алгоритмов МОЛЕКУЛяРНОЕ МОДЕЛИРОВАНИЕ НАНО- И БИОСТРУКТУР обладают различной скоростью сходимости, различной устойчивостью и вы числительной эффективностью. Как правило, в современных приложениях для минимизации энергии многоатомной системы поочередно используют несколько методов.

Согласно определению, методы минимизации позволяют охарактеризо вать систему лишь в состоянии одного из локальных минимумов, находя щегося вблизи от стартовой точки. Они не позволяют преодолевать энер гетические барьеры, т.е. «путешествовать» по поверхности потенциальной энергии и попадать в разные ее области. Для решения этой важной задачи применяют, например, методы молекулярной динамики (МД) и Монте-Карло (МК).





Метод молекулярной динамики.

Метод МД позволяет проследить эволюцию молекулярной системы во времени. При этом могут рассматриваться как системы, находящиеся в со стоянии термодинамического равновесия, так и неравновесные системы. Не которые примеры использования МД в решении задач физико-химической биологии:

Анализ тепловых колебаний в биологических молекулах и надмо лекулярных системах, выявление конформационно лабильных и жест ких участков структуры, доменных движений (например, в белках);

Моделирование процессов фолдинга биополимеров, исследова ние денатурации молекулярных систем в заданных условиях внешней среды (температура, давление, характеристики растворителя и пр.);

Анализ структурно-динамических аспектов межмолекулярных взаимодействий, включая эффекты сольватации/десольватации;

Исследование быстропротекающих процессов в сложных моле кулярных системах – например, перенос ионов и/или молекул через мембрану, флуктуации электростатического потенциала в активных центрах ферментов или на поверхности липидного бислояи пр.

Задача МД заключается в том, чтобы, зная координаты ( ri ) и скоро сти ( vi = dri d ) атомов системы в данный момент времени, определить t эти параметры (связанные с потенциальной и кинетической энергией сис темы) в любой последующий момент времени. В основе метода МД лежит численное решение уравнений Ньютона для системы, состоящей из движу щихся классических частиц массой mi, которые взаимодействуют между со бой по определенному закону (в соответствии с заданным силовым полем U, см. выше):

d 2 ri dU mi 2 = Fi = dt dri Ефремов Р.Г., Шайтан К.В.

Систему уравнений данного вида решают численно, используя небольшие интервалы (шаги) по времени (обычно ~10-15 c). Очевидно, что для изучения поведения системы в течение лишь 1 наносекунды (10-9 с) потребуется сде лать ~106 итераций. Для таких сложных систем, как молекула белка в воде, гидратированный липидный бислой и т.д.), это требует огромных затрат вычислительных ресурсов и времени счета. Например, поведение белков в среде удается исследовать лишь на временной шкале, ограниченной ~102 нс.

Следовательно, в настоящее время многие важнейшие «медленные» биоло гические процессы (например, самоорганизация и глобальные структурные перестройки макро- и надмолекулярных систем), все еще не могут быть изу чены с помощью метода МД. В процессе расчета МД координаты и скорости атомов записывают в файл, называемый траекторией. Траектория МД со держит всю информацию о динамическом поведении системы в течение оп ределенного времени и при определенных условиях проведения МД-экспе римента. Расчеты МД проводят с использованием различных термодинами ческих ансамблей - таких состояний системы, в которых микроскопические параметры могут быть произвольными, а макроскопические - удовлетворяют заданным условиям. Наиболее часто используют следующие термодинами ческие ансамбли: микроканонический, или NVЕ – ансамбль (постоянное число частиц, энергия, объем);

канонический, или – ансамбль (посто янное число частиц, объем, температура);

изотермо-изобарический, или NPT – ансамбль (постоянное число частиц, давление, температура).

Периодические граничные условия. Исследовать динамику молекулярной системы можно как в пустоте, так и в среде. Если речь идет о моделировании биомолекул в условиях, максимально приближенных к нативным (например, молекула белка в водном растворе), то корректнее выбрать второй подход, хотя он является гораздо более трудоемким. В этом случае перед проведе нием МД-эксперимента исследуемую молекулярную систему помещают в ячейку, заполненную молекулами растворителя. При моделировании газов и жидкостей форма ячейки не имеет значения, поэтому часто выбирают ячейки в виде куба или параллелепипеда. Задание такой ячейки порождает шесть «нежелательных» поверхностей. Частицы, отраженные от них, будут возвра щаться внутрь ячейки. Грани ячейки будут вносить ощутимый вклад в лю бую характеристику системы, особенно для систем с малым числом частиц.

Для уменьшения этих эффектов вводят периодические граничные условия, когда исходная («реальная») ячейка симметрично окружается своими «вир туальными» образами. Вычислительная реализация этого алгоритма следу ющая: если частица пересекла грань «реальной» ячейки, она возвращается с противоположной грани с той же скоростью. С введением периодических граничных условий устраняют влияние граней и создают квазибесконечный МОЛЕКУЛяРНОЕ МОДЕЛИРОВАНИЕ НАНО- И БИОСТРУКТУР объем для более точного описания макроскопической системы. Очевидно, это значительно увеличивает объем вычислений.

Поддержание постоянных температуры и давления. В ходе расчета МД, особенно на начальных этапах, когда система может быть далека от термо динамического равновесия, большое значение имеет проблема поддержания постоянных значений температуры и давления. Для этого разработаны спе циальные алгоритмы, называемые термостатом и баростатом, соответс твенно. В их основе лежит коррекция величин Т и Р за счет шкалирования через определенные промежутки времени (т.е. через определенное число ша гов) скоростей частиц и размеров ячейки, соответственно.

По своей природе (решение уравнений движения) методы МД являются детерминистическими, т.е. любое заданное состояние системы полностью определяется предыдущими (с учетом ошибки вычислений и приближений, сделанных при численном решении дифференциальных уравнений). Отме тим, однако, что применение метода МД не ограничивается детерминисти ческими уравнениями движения. С его помощью можно моделировать урав нения движения, включающие стохастические силы – например, Броуновс кую динамику. Существуют и другие стохастические методы исследования конформационного фазового пространства молекул. Наиболее распростра ненным из них является метод Монте-Карло (МК).

Метод Монте-Карло. Кратко, идея метода МК применительно к мо лекулярным системам заключается в сканировании их конформационного пространства путем «случайных» изменений геометрии системы (например, координат атомов или двугранных углов молекулы). Полученные в результа те каждой МК-итерации состояния системы оценивают с помощью опреде ленных критериев (например, сравнивая энергию системы в предыдущем и в последующем состояниях) и отбирают для дальнейшего анализа только со стояния, удовлетворяющие данному критерию. Указанная процедура повто ряется многократно – как правило, до ~106-108 МК-шагов. В результате полу чается большой набор (выборка) конформаций исследуемой системы, кото рые затем анализируют – например, вычисляя средние значения физических величин по ансамблю, их флуктуации и т.д. Путем выбора соответствующего термодинамического ансамбля, например, такого, как канонический, метод МК позволяет вычислять наблюдаемые переменные при фиксированном числе частиц, объеме и температуре. В отличие от метода МД, метод МК не дает динамической картины поведения системы, т.е. отсутствуют временные характеристики системы. Подобно МД, с помощью метода МК можно изу чать как поведение молекулярных систем в равновесии, так и решать задачи конформационного поиска, т.е. анализировать поверхность потенциальной Ефремов Р.Г., Шайтан К.В.

энергии системы. В первом случае расчеты МК также проводят в ячейке с молекулами среды и наложенными периодическими граничными условиями, систему уравновешивают при заданных условиях (температура, давление и пр.) и анализируют поведение в состоянии равновесия. Во втором случае часто используют метод МК с последовательной минимизацией энергии на каждом шаге. При этом для каждой полученной случайным образом конфи гурации проводится минимизация энергии, и значение энергии в данном ло кальном минимуме сравнивают с предыдущим. Таким образом находят боль шое число локальных минимумов, из которых затем выбирают для анализа наиболее глубокие.

Пояснение: Сравнение методов молекулярной динамики (МД) и Монте-Карло (МК).

Общее. Позволяют генерировать выборки состояний молекулярных систем в соответствии с заданной функцией распределения (например, по Больцману). Следовательно, позволяют исследовать конформационное фазо вое пространство этих молекулярных систем (преодолевать энергетические барьеры и т.д.). Эффективность такого исследования зависит от используе мой температуры (чем выше Т, тем более эффективно).

Различия. В методе МК нет понятия времени. В отличие от детерми нистического метода МД (каждое состояние системы определяется ее «исто рией», т.е. предыдущими состояниями), метод МК стохастический – в выбо ре состояний есть элементы случайности (хотя полностью случайным выбор назвать). Таким образом, с помощью МД можно исследовать зависящие от времени процессы (фолдинг белка, кинетику молекулярных взаимодействий и пр.). В то же время, методы МК, как правило, более эффективны в генера ции выборки состояний (хотя не все специалисты с этим согласны).

Для справки.

- Примеры силовых полей, широко применяемых в моделировании био молекулярных систем:

• AMB • MAC / M • CHAMM • C • MM+ - справочная информация по методам молекулярного моделирования с использованием эмпирических силовых полей доступа на сайтах:

hp://c..h.gv/dlg/ hp://www.gcs.c/ssu_w/dx.hl hp://sb.scpps.du/ МОЛЕКУЛяРНОЕ МОДЕЛИРОВАНИЕ НАНО- И БИОСТРУКТУР 4. молекУлярНый докиНг Изучение взаимодействий лигандов с соответствующими белками (рецеп торами, ферментами) является одной из ключевых задач современной моле кулярной биологии, биотехнологии и медицины, поскольку от ее успешного решения зависит дальнейший прогресс в таких практически важных областях, как разработка новых лекарств, получение высокопроизводительных фермен тов и т.д. Компьютерное моделирование межмолекулярных взаимодействий называется молекулярным докингом (от англ. «dc»). Основная цель – полу dc»).

»).

чение оптимальных (согласно установленным критериям) пространственных структур комплексов. Их анализ позволяет выявить участки «взаимного рас познавания» молекул, определить движущие силы, способствующие связыва нию. В результате появляется возможность целенаправленного воздействия на характеристики связывания путем модификации одной или нескольких взаимодействующих молекул – например, за счет введения точечных мутаций в белке, изменения физико-химических свойств лиганда и т.д. Как правило, при выполнении расчетов на систему накладывают определенные ограниче ния. Например, часто учитывают конформационную подвижность лиганда, т.е. при вычислении и последующей минимизации полной энергии системы координаты атомов лиганда варьируют. Напротив, молекулу белка, как прави ло, считают неподвижной, либо конформационно лабильной является лишь небольшая область сайта связывания с лигандом. Таким образом, в процессе докинга подвижный лиганд ориентируется относительно неподвижного бел ка-мишени. Взаимная пространственная ориентация лиганда и белка-мишени является основным результатом докинга. «Правильность» ориентации оцени вается с помощью специальной оценочной функции, которая коррелирует с экспериментальной свободной энергией связывания лиганда. Основное на значение оценочной функции докинга – отражать свободную энергию свя зывания лиганда (), однако в силу целого ряда приближений, присущих задачам докинга, корреляция не всегда присутствует. Оценочные функции мо гут быть основаны на значениях энергии, рассчитываемой в рамках данного силового поля, а также на наборе эмпирических данных.

Обычно докинг используют для решения следующих типовых задач:

1. Подбор лигандов, наиболее эффективно взаимодействующих с исследуемым белком, путем последовательного перебора потенци альных кандидатов из баз данных низкомолекулярных соединений.

2. Поиск в пространственной структуре исследуемого белка сайта связывания для определенного лиганда.

Ефремов Р.Г., Шайтан К.В.

3. Оптимизация активного сайта белка-мишени путем введения в него точечных мутаций, повышающих эффективность взаимодейс твия с определенным лигандом или классом лигандов.

В первом из перечисленных вариантов молекулярный докинг используют в процессе создания новых лекарственных препаратов. Если известна про странственная структура белка-мишени, то использование методов молеку лярного докинга позволяет на несколько порядков сократить первоначальную выборку химических соединений - потенциальных кандидатов. В случаях и 3 компьютерное моделирование позволяет оптимизировать свойства белка мишени таким образом, чтобы добиться желаемого изменения параметров связывания его с нужными лигандами – например, повысить их аффинность и/или специфичность, блокировать связывание и т.д.

МОЛЕКУЛяРНОЕ МОДЕЛИРОВАНИЕ НАНО- И БИОСТРУКТУР 5.моделироваНие На осНове гомологии Основная парадигма современной молекулярной биологии заключается в том, что пространственная структура белков и пептидов определяет их функ цию. Поэтому для того, чтобы изучать функцию того или иного белка, необхо димо знание его пространственной структуры. Ряд экспериментальных мето дик, таких как рентгеноструктурный анализ и спектроскопия яМР, позволяют получить данные о пространственной структуре исследуемого белка. Однако эти методики имеют ряд существенных ограничений. Так, в первом случае, не обходимо иметь кристалл соответствующего белка, получить который в ряде случаев крайне трудно, т.к. многие белки не удается выделить в достаточных количествах, тяжело подобрать условия кристаллизации. На этапе подготов ки образцов существуют также проблемы сохранения нативной трехмерной структуры. Особенно это характерно для мембранных белков, которые очень гидрофобны по своей природе, и для их выделения приходится использовать методы солюбилизации в смесях органических растворителей, либо в таких мембрано-подобных средах, как мицеллы детергента и искусственные липид ные везикулы. В этих средах вопрос о сохнанении нативной структуры имеет первостепенное значение. Кроме того, в случае спектроскопии яМР крити ческую роль играет размер системы – при его увеличении сильно усложняется расшифровка яМР-спектров. Поэтому задача компьютерного моделирования пространственной структуры белков является чрезвычайно актуальной. Так, на данный момент число известных аминокислотных последовательностей составляет около 500 тыс., из них пространственная структура определена только для ~10 тыс., на основании которых, в свою очередь, моделирование по гомологии может быть применено еще к 150 тыс. последовательностей.

Суть метода заключается в построении трехмерной пространственной модели белка, структура которого неизвестна, на основе сходства его амино кислотной последовательности с таковой у белка, структура которого реше на. Подобное моделирование возможно, поскольку небольшие изменения в аминокислотной последовательности белка обычно приводят к небольшим изменениям в пространственной структуре. При этом в семействах родствен ных белков пространственная структура более консервативна, чем аминокис лотная последовательность каждого из членов семейства. В качестве основ ных этапов моделирования по гомологии можно выделить следующие:

Поиск в базах данных гомологичных белков с известной структу рой (шаблоны);

Выбор подходящего шаблона;

Выравнивание последовательности моделируемого белка с после довательностью шаблона;

Ефремов Р.Г., Шайтан К.В.

Построение модели исследуемого белка по координатам атомов белка-шаблона;

Оценка качества полученной модели.

Гомологичные белки с известной структурой (шаблоны) ищут, сравнивая аминокислотную последовательность исследуемого белка с последователь ностями белков, депонированных в базу данных пространственных структур – Брукхэйвенский Банк данных ( B, B). Для выравнивания аминокислотных последовательностей используют методы парного и мно жественного выравнивания (см. раздел «Биоинформатика»). Для отбора со ответствующего структурного шаблона руководствуются несколькими при нципами: высокая степень идентичности или гомологии (обычно не ниже 25-30%), принадлежность белков к одному семейству, а также качество эк спериментально полученной структуры (разрешение, число измеренных в эксперименте ограничений на аминокислотный остаток). При выравнивании последовательностей особое внимание обращают на совмещение участков регулярной вторичной структуры шаблона с исследуемой последовательнос тью, избегая по возможности вставок и делеций на этих участках. Причина – в их значительно более высокой степени эволюционной консервативности по сравнению с сегментами неупорядоченной структуры (петлевыми участка ми). Алгоритм построения пространственной модели по имеющемуся струк турному шаблону зависит от используемой программы и может заключаться в использовании пространственных ограничений, построения из сегментов и т.п. Особую трудность представляет конструирование петлевых участков, для которых отсутствует шаблон укладки. Эти области белковой структуры могут быть определены либо путем поиска энергетически выгодной конфор мации соответствующего петлевого участка с помощью алгоритмов, исполь зующих эмпирические силовые поля (см. выше), либо в результате поиска структурных гомологов в соответствующих базах данных.

Важным этапом является оценка качества полученной модели, так как именно качество (физическая достоверность) модели определяет качество информации, которую можно из нее извлечь. На данном этапе проверяется, насколько «правильно» свернута полипептидная цепь (если идентичность с шаблоном не является высокой, используют функционально- и структурно консервативные остатки), стереохимия аминокислотных остатков модели.

Пространственные характеристики модели сравнивают с таковыми для бел ков, структуры которых решены с высоким разрешением.

Например, методы моделирования по гомологии широко используют для построения моделей трехмерной структуры биологически важного класса рецепторов, чье действие опосредовано -белками (C, -p cupld cps). Рецепторы семейства C - важнейший и наиболее перспектив ).

МОЛЕКУЛяРНОЕ МОДЕЛИРОВАНИЕ НАНО- И БИОСТРУКТУР ный с точки зрения фармакологических и медицинских приложений класс мембранных белков. Именно эти рецепторы служат мишенями действия более половины всех выпускаемых в настоящее время лекарств. В геноме человека найдено около 1000 C. Среди заболеваний, которые связаны с нарушениями работы конкретных C, известны: депрессии (опиоидные рецепторы), аллергии (гистаминовые рецепторы), шизофрения (серотонино вые, дофаминовые рецепторы), гипертензивные заболевания (ангиотензино вые рецепторы), астма (адренергические рецепторы), инфаркт (пуриновые рецепторы) и многие другие. Некоторые из C (хемокиновые рецепторы) служат мишенями при распознавании клеток вирусными белками. Известны 30-35 мишеней в организме человека, на которые ориентированы уже сущес твующие лекарства, для ~200-210 рецепторов известны лиганды, и имеются (приблизительные!) сведения о функции, а для остальных белков подобная информация отсутствует. О важности C свидетельствует тот факт, что в последние годы работы двух групп исследователей в этой области были от мечены Нобелевскими премиями. Лекарственные препараты, действующие на рецепторы семейства C, занимают лидирующее положение по объ, емам продаж крупных фармацевтических компаний (в 2003 г. объем продаж составил ~$ 30 млрд.).

Моделирование по гомологии для негомологичных белков. Часто бывает, что белков-шаблонов с достаточной степенью гомологии найти не удается. В этом случае используют другой подход, а именно – т.н. методы «протягива ния» интересующей аминокислотной последовательности через библиотеку пространственных структур. В настоящее время создан ряд таких библиотек.

В них содержится информация о пространственной структуре компактных участков белков (например, доменов), которые, как строительные блоки, мо гут участвовать в формировании трехмерной структуры многих белков. На основании статистического анализа конформаций белков, входящих в библи отеку, рассчитывают атом-атомные потенциалы, которые характеризующие «склонность» аминокислотного остатка каждого типа находиться в данном месте структуры. Последовательность изучаемого белка «монтируют» (т.е.

располагают) на каждой из трехмерных структур библиотеки и оценивают, насколько удачно такое совмещение. Это делают с помощью оценочных фун кций, в которых как раз и учитывают разработанные атом-атомные потен циалы. В случае, если для каких-нибудь вариантов совмещения изучаемой последовательности со структурой шаблона значения штрафной функции значительно (например, на несколько стандартных отклонений) меньше ее среднего значения, имеет смысл говорить, что найденный шаблон близок к пространственной структуре исследуемого белка. Затем приступают к деталь ному построению трехмерной модели, используя этот «наиболее удачный»

Ефремов Р.Г., Шайтан К.В.

шаблон. Тем не менее надо отметить, что вероятность успеха при нахожде нии такого шаблона невелика.

Молекулярное моделирование – от теории к практике.

Естественно, что для решения конкретной биоинженерной задачи какого либо одного из перечисленных методов недостаточно. Наиболее эффективно комплексное использование методов молекулярного моделирования. Разбе рем модельную задачу. Пусть имеется аминокислотная последовательность некого глобулярного белка, предположительно АТФазы. Необходимо определить пространственную структуру и ингибитор работы данного фермента, чтобы определить его клеточную функцию (т.е., что произойдет с клеткой при уменьшении активности исследуемой АТФазы). Сформулируем этапы решения поставленной задачи.

этап 1. поиск гомологов для ProtX Для начала необходимо определить, есть ли в базах данных гомологи ис следуемого белка. Эта задача решается методами биоинформатики. С помо щью множественного выравнивания исследуемой последовательности с пос ледовательностями из соответствующей Интернет-базы данных (например, из SWISS-PROT) можно определить белки, родственные. Кроме того, поиск в базах данных разнообразных паттернов и мотивов (например, сайты гликозилирования, области активных центров и пр.) может позволить сде лать предположения о его функциональности. Анализ полученного набора гомологов дает информацию о расположении консервативных и вариабель ных областей аминокислотной последовательности и предположить, какие из остатков участвуют в формировании активного центра белка.

этап 2. построение пространственной структуры ProtX Из полученных гомологов далее необходимо выбрать белок с известной пространственной структурой и со степенью идентичности между его ами нокислотной последовательностью и последовательностью ProtX не менее 30%. В таком случае его структуру можно использовать в качестве шаблона для построения модели пространственной структуры путем моделиро вания на основании гомологии. С помощью современных программ это де лается, как правило, автоматически – достаточно лишь задать выравнивание аминокислотных последовательностей ProtX и белка-шаблона, а также коор динаты атомов последнего.

этап 3. оптимизация полученной модели пространственной струк туры ProtX После соотнесения координат атомов шаблона атомам ProtX и достройки (либо удаления) соответствующих участков – в зависимости от выравнива ния последовательностей – получают предварительную модель ProtX. Эта модель нуждается в дальнейшей оптимизации. Первичную оптимизацию, МОЛЕКУЛяРНОЕ МОДЕЛИРОВАНИЕ НАНО- И БИОСТРУКТУР т.е. поиск энергетически выгодной конформации возможно провести с ис пользованием методов минимизации энергии. В результате устраняются не благоприятные стерические наталкивания атомов, оптимизируются водород ные связи, солевые мосты и т.д. Однако с помощью этих методов возможно лишь нахождение ближайшего к исходной структуре локального миниму ма. Для исследования конформационной лабильности полученной модели, необходимо провести расчет молекулярной динамики для ProtX. Поскольку исследуемый белок является глобулярным, т.е. водорастворимым, то расчет МД необходимо проводить в ячейке, содержащей помимо белка молекулы растворителя (воды). Это позволит изучить динамические свойства полу ченной модели в условиях, приближенных к нативным. Так как характерные времена движений основной цепи белковой молекулы составляют ~10-8 с, то проводить расчет МД имеет смысл со сравнимой длиной траектории, т.е.

в течение нескольких десятков наносекунд. Анализ данных МД для ProtX позволит определить динамические характеристики структуры (например, стабильность вторичной структуры, подвижность и характер сольватации аминокислотных остатков, и др.). Кроме того, полученные результаты теперь дадут возможность составить набор реалистичных и наиболее вероятных конформаций для исследуемого белка в воде.

этап 4. поиск эффективно взаимодействующих лигандов Поскольку ингибиторами обычно являются соединения, обладающие очень высоким сродством к белку-мишени, поиск ингибитора ProtX сводит ся к поиску соединения, для которого взаимодействие с исследуемым белком является наиболее энергетически выгодным. Для моделирования связывания белок-лиганд этого воспользуемся методами молекулярного докинга, т.е. мы будем отбирать из имеющихся баз данных низкомолекулярных соединений такие, которые при взаимодействии с ProtX будут характеризоваться «наилуч шей» оценочной функцией. При этом, чтобы получить наиболее достоверные результаты, докинг желательно производить с различными коформациями ис следуемого белка, взятыми, например из траектории молекулярной динамики.

Результатом рассмотренного подхода является одно или (что гораздо более вероятно!) набор из нескольких десятков соединений, которые могут являться потенциальными ингибиторами работы белка ProtX. Эффективность предска зания в дальнейшем может быть проверена в экспериментах in vitro или in vivo. Кроме того, созданная молекулярная модель белка и его комплексов с набором лигандов будут способствуют планированию новых экспериментов по направленному мутагенезу, последующей оптимизации лиганда и пр.

Приведенный пример демонстрирует, как в общем случае комплексное применение методов компьютерного моделирования можеть применяться для решения конкретной биоинженерной задачи.

Ефремов Р.Г., Шайтан К.В.

6. молекУлярНое моделироваНие мембраННых и мембраНо-активНых белков В течение 9 лет в составе Лаборатории структурной биологии ИБХ РАН существует группа молекулярного моделирования. Ее сотрудники активно участвовали в постановке задач, а также в развитии методов молекулярно го моделирования и на кафедре биоинженерии Биологического факультета МГУ с момента ее основания.

На кафедре биоинженерии проводится работа по следующим научным тематикам:

Мембранные пептиды и белки: структура, характер связывания с мембраной, моделирование функций Гидрофобные/гидрофильные свойства глобулярных и мембран ных белков Моделирование белков по гомологии Компьютерная биоинженерия белков: предсказание функцио нально важных мутаций и дизайн химерных белков Для решения указанных задач используют следующие методы:

Метод Монте-Карло и молекулярной динамики в явно и неявно заданных растворителях (включая биомембраны) Вычисления молекулярного гидрофобного потенциала Методы предсказания структуры белка, основанные на вырав нивании последовательностей и структурном шаблоне Молекулярный докинг и предсказание активности Квантово-механические расчеты Молекулярное моделирование мембранных и мембрано-активных белков.

Расшифрованные в последние годы геномы большого числа организмов – от бактерий до человека – дают в руки исследователей уникальную ин формацию обо всех белках, кодируемых данными геномами в норме и при различных патологиях. В постгеномную эру одной из основных задач при создании новых высокоэффективных технологий живых систем является идентификация в геномах белков, функционирование которых связано с воз никновением и развитием таких широко распространенных патологий, как раковые, сердечно-сосудистые, нейродегенеративные заболевания, вирусные инфекции (включая СПИД, грипп, гепатит С) и др. Понимание на молекуляр ном уровне структуры и функции таких белков-мишеней необходимо для це ленаправленного создания новых классов высокоаффинных и селективных МОЛЕКУЛяРНОЕ МОДЕЛИРОВАНИЕ НАНО- И БИОСТРУКТУР лекарств, протоколов диагностики и лечения указанных массовых заболева ний. Как показывает анализ геномной информации, значительное число ми шеней представляет собой мембрано-связанные и мембрано-активные бел ки (ММБ). Например, около 90% белков – мишеней, на которые направлено действие современных лекарств, используемых при лечении нейродегенера тивных заболеваний, представляют собой мембранные рецепторы.

ММБ, составляя свыше 25% протеома, играют ключевую роль в выпол нении множества биологических функций и являются важнейшими объ ектами для биомедицины и биотехнологии. Именно интегральные и пери ферические ММБ и пептиды обеспечивают уникальность биологической роли каждой мембраны и определяют ее физико-химические свойства. Сре ди важнейших процессов в клетке, протекающих при непосредственном участии ММБ, – межклеточная рецепция и коммуникация, молекулярный и ионный транспорт через липидный бислой, слияние мембран и т.д. По характеру связывания с мембранами ММБ делятся на интегральные (их по липептидная цепь пересекает липидный бислой) и периферические (они «заякориваются» на границе раздела мембрана-вода). Многие пептиды, взаимодействующие с мембранами, обладают биологической активностью – антибактериальной, фузионной, структуро- и канал-образующей, транс портирующей и др. Нарушения функционирования ММБ (например, за счет мутаций, изменений условий среды и т.д.) приводят к целому ряду серьезных патологий. Кроме того, на этапе проникновения вирусных час тиц в клетку огромную роль играют взаимодействия пептидов слияния вирусных белков с мембраной клетки и клеточными рецепторами. Таким образом, ММБ представляют огромный интерес с точки зрения создания новых лекарств, действующих на ММБ-мишени, либо непосредственно на биологические мембраны клеток, вирусов и т.дДля понимания и контроли рования указанных процессов, происходящих в живой клетке в норме и при различных патологиях, необходимо знание пространственной структуры и молекулярных механизмов функционирования ММБ. Однако на сегодняш ний день исследователи располагают весьма ограниченной информацией:

из порядка 30 тысяч представленных в банке данных трехмерных белковых структур, лишь около 100 принадлежат ММБ. Поэтому проблема установ ления пространственной структуры ММБ признана стратегически важной задачей структурной геномики, во многом определяющей развитие молеку лярной и клеточной биологии, молекулярной медицины и биотехнологии в 21 веке. Для решения этой задачи сейчас начинают широко применять методы моделирования in silico. Подобные исследования проводятся и на кафедре биоинженерии.

Ефремов Р.Г., Шайтан К.В.

Основные направления работы:

Разработка теоретических моделей биомембран и мембрано-по добных сред Изучение взаимодействия пептидов и белков с мембранами и мицеллами Исследование белок-белковых взаимодействий в мембранном окружении Создание программного обеспечения, параллельные вычисле ния С помощью указанных подходов можно получить новую интересную ин формацию о биологически важных объектах. К ней относятся:

Пространственная структура и динамика;

Характер связывания с мембранами;

Сайты связывания и гидрофобные характеристики;

Индуцируемые белком изменения в структуре мембран.

Общая цель таких исследований – понимание молекулярных механизмов функционирования мембранных и мембрано-активных пептидов и белков.

часть 2:

методические рекомеНдации по изУчеНию дисциплиНы Ефремов Р.Г., Шайтан К.В.

1. аННотация Целью данного магистерского курса является формирование представле ний о современных методах молекулярного моделирования биологических макромолекул (на примере белков, биомембран и белок-мембранных сис тем). Биологическая активность белков определяется особенностями их про странственной структуры и динамическим поведением в среде. В настоящее время методы компьютерного моделирования и биоинформатики являются мощными средствами изучения структурно-динамических свойств водорас творимых и мембранных белков, существенно расширяя и дополняя тради ционные биофизические подходы.

Основное внимание в рамках настоящего курса лекций уделено вычис лительным подходам, использующим эмпирические силовые поля - методам молекулярной механики, Монте-Карло. Рассматриваются теоретические ос новы указанных подходов, используемые физические модели и математи ческие алгоритмы. Обсуждаются комбинированные подходы к постановке вычислительного эксперимента – с использованием набора slc техно логий. Возможности и ограничения методов молекулярного моделирования иллюстрируются на примерах реальных научных проблем.

Специальные разделы курса посвящены актуальным разделам современ ной биофизики - учету эффектов сольватации в расчетах сложных биологи ческих систем и моделированию мембранных и мембрано-активных пепти дов и белков.

Поскольку современный уровень развития нанобиотехнологий и дости жение значимых результатов в этой области немыслимы без широкого ис пользования компьютерного моделирования, данная дисциплина занимает одно из ведущих мест в программе подготовки бакалавров. Студенты долж ны не только свободно владеть компьютерными технологиями для обработ ки результатов экспериментов, подготовки отчетов, презентаций и пр., но и должны уметь оценивать и прогнозировать свойства и механизмы функци онирования изучаемых биомолекулярных систем и наноконструкций с по мощью вычислительного эксперимента. Это поможет рационально интер претировать результаты традиционных биофизических исследований, даст возможность планирования новых экспериментов, будет способствовать формированию у обучающихся единой - теоретической и практико-ориенти рованной – картины изучаемых сложных объектов и явлений.

Дисциплина рекомендуется к изучению в 1 семестре 1 курса магистрату ры направления «Нанобиотехнологии».

Материал курса изучается на лекциях, практических и лабораторных ра ботах, в ходе самостоятельной работы студентов.

По результатам обучения предполагается проведение экзамена в форме теста.

МОЛЕКУЛяРНОЕ МОДЕЛИРОВАНИЕ НАНО- И БИОСТРУКТУР 2. приобретаемые компетеНции Цель обучения - научить студентов навыкам молекулярного компьютерно го моделирования сложных биомолекулярных и наносистем на современном уровне теории и с использованием новейших аппаратных и программных вы числительных средств. По окончании изучения дисциплины студент должен:

Готовность:

– использовать современные методы молекулярного моделирования био логических макромолекул (на примере белков, биомембран и белок мембранных систем, наночастиц и их взаимодействия с биополиме рами);

– эксплуатировать современные вычислительные платформы (включая высокопроизводительные кластерные системы) и применять для по лучения результатов вычислительного эксперимента и анализа данных новейшее программное обеспечение в области моделирования биомо лекулярных систем;

– осуществлять комплексный анализ и аналитическое обобщение ре зультатов научно-исследовательской работы с использованием совре менных достижений науки и техники.

Привить навыки:

- самостоятельной работы с литературой для поиска информации об отдельных определениях, понятиях и терминах, объяснения их при менения в практических ситуациях;

решения теоретических и прак тических типовых и системных задач, связанных с профессиональной деятельностью;

– логического, творческого и системного мышления;

– критической оценки и допустимых областей применения используе мых математических моделей, численных методов, вычислительных протоколов и получаемых результатов своей работы и данных, взятых из литературных источников;

– создания и параметризации (в т.ч. на обучающей выборке объектов) математических моделей изучаемых биологических явлений, провер ки предсказательной силы этих моделей с использованием тестовой выборки объектов;

– планирования и проведения вычислительного эксперимента и анализа получаемых расчетных данных);

– владения современными аппаратными и программными средствами для решения задач молекулярного моделирования;

– выполнения курсовых и дипломных работ в установленные сроки;

– подготовки в течение заданного времени отчетов о проделанной работе (в письменной и устной форме, а также в форме презентаций с исполь зованием мультимедийных материалов).

Ефремов Р.Г., Шайтан К.В.

3. рекомеНдУемые виды УчебНой работы 4. содерЖаНие УчебНой дисциплиНы 4.1 примерный тематический план учебной дисциплины (дневная форма обучения) МОЛЕКУЛяРНОЕ МОДЕЛИРОВАНИЕ НАНО- И БИОСТРУКТУР 4.2 содержание лекционного курса лекции 1-2 введение: понятие in silico в современной биологии. общая характеристика методов компьютерного моделирования. основные на правления. тип решаемых задач Понятие in silico в современной биологии.

Общая характеристика методов компьютерного моделирования. Основ ные направления. Тип решаемых задач. Реальный и вычислительный экспе римент.

Биоинформатика.

Базы данных биологической информации: базы данных нуклеотидных и аминокислотных последовательностей (BA, W-,, M BA,, -,,,, BL-Trembl);

базы данных функциональных мотивов и паттернов (,, );

базы данных пространственных структур биомолекул: B ( B: белки и их комплексы с фрагментами нуклеиновых кислот, различными лигандами и пр.), B (uclc Acd bs: нуклеиновые кис uclc :

лоты и их компоненты), LB (Lpd B: молекулярные структуры ли Lpd :

пидов, данные по физико-химическим свойствам липид-содержащих систем и пр.), CC (Cplx Cbhyd ucu bs: молекулы углеводов).

Поиск в базах данных и выравнивание гомологичных последовательнос тей. Распознавание мотивов и паттернов. Методы предсказания вторичной структуры белка. Примеры применения к решению конкретных задач.

Методы, основанные на использовании эмпирических силовых полей (см.

следующие лекции).

Моделирование на основании гомологии. Суть метода. Этапы построения модели. Выбор структурного шаблона. Оценка качества полученных моде лей (CHC, Метод Айзенберга и пр.). Применение полученных моде лей. Методы распознавания типа пространственной укладки полипептидной цепи (при отсутствии гомологии аминокислотных последовательностей).

Молекулярный докинг. Суть метода. Ограничения. Оценочные функции и проблема выбора корректных решений докинга. Характер решаемых задач.

Примеры использования для разработки новых лекарств.

Литература:

1. Финкельштейн А.В., Птицын О.Б. Физика белка. – М.: КДУ, 2005.

– 456 с.

2. Тиноко И., Зауэр К., Вэнг Дж., Паглиси Дж. Физическая химия.

Принципы и применение в биологических науках.: Пер. с англ.: М.: Тех носфера, 2005. – 744 с.

Ефремов Р.Г., Шайтан К.В.

3. chlc. Mlcul Mdlg d ul. A dscply ud. –.Y.: pg, 2006. – 635 p.

лекции 3-4. метод эмпирического силового поля в моделировании биомолекул Современное состояние проблемы.

Возникновение и развитие эмпирических силовых полей. Приближенные методы решения уравнения Шредингера для многоатомных систем. Волно вые уравнения для электронов и ядер.

Методы квантовой химии. Формулировка задачи и используемые при ближения. Информация, получаемая в квантовохимических расчетах. Полу эмпирические и ab initio методы. Примеры использования (с демонстрацией на компьютере).

Понятие силового поля. Аналитические выражения для расчета потен циальной энергии молекулярных систем. Физическая подоплека. Вид отде льных термов в выражении для потенциальной энергии.

Параметризация силовых полей. Экспериментальные данные или кванто вохимические расчеты? Типы атомов при задании силового поля. Проблемы отнесения атомов к разным типам.

Ограничения и приближения, современные силовые поля, перспективы развития.

Литература:

1. Волькенштейн М.В. Молекулярная биофизика. - М.: Наука, 1975. 616 с.

2. Дашевский В.Г. Конформационный анализ органических молекул. М.: Химия, 1982. - 509 с.

3. Кантор Ч., Шиммел П. Биофизическая химия.: В 3-х т. Пер. с англ. М.: Мир, 1984. - Т. 1 – 336 с.

4. Рубин А.Б. Биофизика.: Уч. пос. Т. 1. - М.: Изд-во МГУ;

изд-во «На ука», 2004. – 448 с.

5. Полозов Р.В. Метод полуэмпирического силового поля в конформа ционном анализе биополимеров. М., Наука, 1981. – 215 с.

6. Попов Е.М. Структурная организация белков. М.: Наука, 1989. – 352 с.

7. chlc. Mlcul Mdlg d ul. A dscply ud. –.Y.: pg, 2006. – 635 p.

МОЛЕКУЛяРНОЕ МОДЕЛИРОВАНИЕ НАНО- И БИОСТРУКТУР лекция 5. метод молекулярной механики Приближения, используемые в методах эмпирических силовых полей (пе риодические граничные условия, функции обрезания потенциала, зарядовые группы, наложенные ограничения и т.д.) Алгоритмы минимизации энергии молекулярных систем.

Примеры использования молекулярной механики в расчетах биомолекул, программы.

Литература:

1. Волькенштейн М.В. Молекулярная биофизика. - М.: Наука, 1975. 616 с.

2. Дашевский В.Г. Конформационный анализ органических молекул. М.: Химия, 1982. - 509 с.

3. Буркерт У., Эллинджер Н. Молекулярная механика.: Пер. с англ.: М.:

Мир, 1986. – 364 с.

4. Кантор Ч., Шиммел П. Биофизическая химия.: В 3-х т. Пер. с англ. М.: Мир, 1984. - Т. 1 – 336 с.

5. Полозов Р.В. Метод полуэмпирического силового поля в конформа ционном анализе биополимеров. М., Наука, 1981. – 215 с.

6. Попов Е.М. Структурная организация белков. М.: Наука, 1989. – 352 с.

7. chlc. Mlcul Mdlg d ul. A dscply ud. –.Y.: pg, 2006. – 635 p.

лекции 6-7. метод молекулярной динамики Формулировка задачи, алгоритмы интегрирования уравнений движения, задание начальных условий. Выбор шага интегрирования по времени. Ин тегратор Верле. Требования к интеграторам.

Концепции температуры и давления в задачах молекулярной динамики.

Необходимость уравновешивания систем в задачах МД. Понятие термостата и баростата. Алгоритмы реализации.

Статистические ансамбли, протоколы молекулярной динамики.

Примеры использования молекулярной динамики в расчетах биомолекул, программы.

Литература:

1. All M.., ldsly.J. Cpu ul Lquds. – xd:

Cld ss. – 1987. – 385 p.

2. chlc. Mlcul Mdlg d ul. A dscply ud. –.Y.: pg, 2006. – 635 p.

Ефремов Р.Г., Шайтан К.В.

3. Рубин А.Б. Биофизика.: Уч. пос. Т. 1. - М.: Изд-во МГУ;

изд-во «На ука», 2004. – 448 с.

4. Д.В.Хеерман. Методы компьютерного эксперимента в теоретичес кой физике.: Пер. с англ.: М., Наука, 1990. – 176 с.

5. Метод молекулярной динамики в физической химии. Сб. статей. М., Наука, 1996. – 354 с.

6. Рубин А.Б. Биофизика.: Уч. пос. В 2-х т. - М.: Изд-во МГУ;

изд-во «Наука», 2004. – Т. 1 - 469 с.

7. Ландау Л.Д., Лифшиц Е.М. Статистическая физика. - М.: Наука, 1976. - 584 с.

лекция 8. метод монте-карло в моделировании биомолекул Принцип метода, критерий Метрополиса.

Типичные алгоритмы реализации метода Монте-Карло (моделирование равновесных состояний, конформационный поиск, взаимодействия белок лиганд).

Сравнительные характеристики методов Монте-Карло и молекулярной динамики.

Примеры использования методов Монте-Карло в расчетах биомолекул, программы.

Литература:

1. Замалин В.М., Норман Г.Э., Филинов В.С. Методы Монте-Карло в статистической термодинамике. М., Наука, 1977. – 228 с.

2. Д.В.Хеерман. Методы компьютерного эксперимента в теоретичес кой физике.: Пер. с англ.: М., Наука, 1990. – 176 с.

3. К.Биндер, Д.В.Хеерман. Моделирование методом Монте-Карло в статистической физике.: Пер. с англ.: М., Наука, 1995. – 144 с.

4. Ландау Л.Д., Лифшиц Е.М. Статистическая физика. - М.: Наука, 1976. - 584 с.

5. All M.., ldsly.J. Cpu ul Lquds. – xd:

Cld ss. – 1987. – 385 p.

6. chlc. Mlcul Mdlg d ul. A dscply ud. –.Y.: pg, 2006. – 635 p.

лекция 9. методы расчета свободной энергии молекулярных систем Относительная свободная энергия. Общие принципы, формулировка за дачи.

Метод термодинамического интегрирования с использованием разно стных методов.

МОЛЕКУЛяРНОЕ МОДЕЛИРОВАНИЕ НАНО- И БИОСТРУКТУР Абсолютная свободная энергия. Общие принципы, формулировка задачи.

Примеры применения и программы.

Литература:

1. Д.В.Хеерман. Методы компьютерного эксперимента в теоретичес кой физике.: Пер. с англ.: М., Наука, 1990. – 176 с.

2. All M.., ldsly.J. Cpu ul Lquds. – xd:

Cld ss. – 1987. – 385 p.

3. Ландау Л.Д., Лифшиц Е.М. Статистическая физика. - М.: Наука, 1976. - 584 с.

лекции 10-11. Учет эффектов сольватации в расчетах биомолекул Роль эффектов среды в формировании пространственной структуры и функционировании биомолекул.

Модели неявно заданного растворителя (простейшие диэлектрические модели, решение уравнения Пуассона-Больцмана, диполи Ланжевена, атом ные параметры сольватации).

Модели явно заданного растворителя (периодические граничные усло вия, граничный потенциал, создание моделей чистых растворителей).

Достоинства и недостатки различных моделей среды.

Примеры использования и программы.

Литература:

1. Кантор Ч., Шиммел П. Биофизическая химия.: В 3-х т. Пер. с англ. М.: Мир, 1984. - Т. 3 – 536 с.

2. Финкельштейн А.В., Птицын О.Б. Физика белка. – М.: КДУ, 2005.

– 456 с.

3. All M.., ldsly.J. Cpu ul Lquds. – xd:

Cld ss. – 1987. – 385 p.

4. chlc. Mlcul Mdlg d ul. A dscply ud. –.Y.: pg, 2006. – 635 p.

лекция 12. молекулярное моделирование мембранных белков Типы мембранных белков, установленные пространственные структуры.

Особенности мембранных белков, идентификация мембранных участков, расчеты взаимной ориентации мембранных сегментов.

Характеризация гидрофильных/липофильных свойств мембранных белков.

Моделирование мембранных белков на основании гомологии и ab initio.

Используемые программы, примеры приложений.

Ефремов Р.Г., Шайтан К.В.

Литература:

1. Ефремов Р.Г. Молекулярное моделирование мембрано-связанных участков белков и пептидов: Автореф. дис. докт. физ.-мат. наук / МГУ им.

М.В. Ломоносова. – М., 1999. - 51 с.

2. Рубин А.Б. Биофизика.: Уч. пос. В 2-х т. - М.: Изд-во МГУ;

изд-во «Наука», 2004. - Т. 1 – 448 с.

4.3 темы лабораторных занятий 5. УчебНо-методическое обеспечеНие дисциплиНы 5.1 рекомендуемая литература Основная литература:

1. Финкельштейн А.В., Птицын О.Б. Физика белка. – М.: КДУ, 2005.

– 456 с.

2. Рубин А.Б. Биофизика.: Уч. пос. В 2-х т. - М.: Изд-во МГУ;

изд-во «Наука», 2004. – Т. 1 - 469 с.

3. Рубин А.Б. Биофизика.: Уч. пос. В 2-х т. - М.: Изд-во МГУ;

изд-во «Наука», 2004. - Т. 2 – 469 с.

4. Ландау Л.Д., Лифшиц Е.М. Статистическая физика.: Уч. пос. - М.:

Наука, 1976. - 584 с.

Дополнительная литература:

1. Биндер К., Хеерман Д.В.. Моделирование методом Монте-Карло в статистической физике.: Пер. с англ.: М., Наука, 1995. – 144 с.

2. Буркерт У., Эллинджер Н. Молекулярная механика.: Пер. с англ.:

М.: Мир, 1986. – 364 с.

3. Волькенштейн М.В. Молекулярная биофизика. - М.: Наука, 1975.

- 616 с.

МОЛЕКУЛяРНОЕ МОДЕЛИРОВАНИЕ НАНО- И БИОСТРУКТУР 4. Дашевский В.Г. Конформационный анализ органических молекул.

- М.: Химия, 1982. - 509 с.

5. Ефремов Р.Г. Молекулярное моделирование мембрано-связанных участков белков и пептидов: Автореф. дис. докт. физ.-мат. наук / МГУ им.

М.В. Ломоносова. – М., 1999. - 51 с.

6. Замалин В.М., Норман Г.Э., Филинов В.С. Методы Монте-Карло в статистической термодинамике. М., Наука, 1977. – 228 с.

7. Кантор Ч., Шиммел П. Биофизическая химия.: В 3-х т. Пер. с англ.

- М.: Мир, 1984. - Т. 3 – 536 с.

8. Метод молекулярной динамики в физической химии. Сб. статей.

М., Наука, 1996. – 354 с.

9. Полозов Р.В. Метод полуэмпирического силового поля в конформа ционном анализе биополимеров. М., Наука, 1981. – 215 с.

10. Попов Е.М. Структурная организация белков. М.: Наука, 1989. – 352 с.

11. Хеерман Д.В.. Методы компьютерного эксперимента в теорети ческой физике.: Пер. с англ.: М., Наука, 1990. – 176 с.

12. All M.., ldsly.J. Cpu ul Lquds. – xd:

Cld ss. – 1987. – 385 p.

13. chlc. Mlcul Mdlg d ul. A dscply ud. –.Y.: pg, 2006. – 635 p.

5.2 средства обеспечения освоения дисциплины Ефремов Р.Г., Шайтан К.В.

5.3 материально-техническое обеспечение дисциплины • Для выполнения практической и лабораторной работы необходим компьютерный класс, имеющий локальную сеть и доступ в Интернет. В компьютерном классе предполагается наличие компьютера для препода вателя, и необходимого количества рабочих компьютеров из расчета 1 – студента на одно рабочее место;

• Для демонстрации презентаций во время лекций необходим мульти медийный проектор.

6. методические рекомеНдации по оргаНизации обУчеНия Для эффективной организации процесса обучения необходимо проводить занятия в компьютерном классе (из расчета одно рабочее место на 1-2 сту дентов + управляющий компьютер преподавателя + принтер (желательно МФУ)+ сканер (желательно)).

Для проведения мультимедийных демонстраций (презентации, фильмы и пр.) класс должен быть оборудован мультимедийным проектором.

Компьютерные рабочие места должны быть включены в локальную сеть и иметь доступ к Интернет.

На управляющем компьютере должны быть установлены лицензионные сетевые версии необходимого программного обеспечения (программы моле кулярного моделирования, обработки данных, подготовки отчетов и презен таций и пр.) В рамках самостоятельной работы предлагается провести под руководс твом преподавателя две лабораторные работы, на которых студенты смогут закрепить навыки моделирования на примерах моделирования пространс твенной структуры белков и построении модели гидратированного липид ного бислоя.

В течении семестра каждый студент должен подготовить реферат по од ной из предложенных тем.

Экзамен рекомендуется проводить в течение зачетной недели.

7. перечеНь задаНий для самостоятельНого выполНеНия МОЛЕКУЛяРНОЕ МОДЕЛИРОВАНИЕ НАНО- И БИОСТРУКТУР 8. примерНый перечеНь тем рефератов 1. Роль и место slc технологий в современной структурной протео мике.

2. Методы молекулярного моделирования с использованием эмпиричес ких силовых полей: достижения, проблемы, перспективы.

3. Биоинформатика и молекулярное моделирование в рациональном конс труировании новых биологически активных соединений.

4. Пространственная структура, динамика и функция мембранных бел ков: современные возможности методов молекулярного моделирования.

5. От аминокислотной последовательности белка – к реалистичной моде ли его пространственной структуры: биоинформационный подход.

часть 3.

УчебНо-методические материалы для практических заНятий, семиНаров, лабораторНых работ МОЛЕКУЛяРНОЕ МОДЕЛИРОВАНИЕ НАНО- И БИОСТРУКТУР общий план практикума по «молекулярному моделированию нано- и биоструктур»

УчЕбно-МЕтодичЕсКиЕ МатЕРиалы для лабоРатоРных Работ лабораторная работа № 1. молекулярная динамика наноструктур Цель спецпрактикума заключается в ознакомлении студентов с современ ными методами молекулярного моделирования на примере нового направле ния исследований – взаимодействия наноструктур с биологическими объек тами. Спецпрактикум расчитан на студентов осеннего семестра 2-го курса магистратуры. В каждой группе должно быть не более 6 человек. Продол жительность практикума составляет 14 часов. Для проведения практикума необходимы персональные компьютеры и соответствующее программное обеспечение. Преподаватель должен иметь высшее образование, хорошо владеть методами молекулярного моделирования, иметь представление о применении нанотехнологии в биоинженерии.

программа лабораторной работы.

1. Основы метода молекулярной динамики. Классические урав нения движения Ньютона. Приближение межатомных взаимодейс твий в методе молекулярной динамики. Численное интегрирование уравнений движения. Статистический характер молекулярной под вижности.

2. Нанотрубки и другие нанообъекты: разновидности, физико химические свойства, способы синтеза, применение. Применение нанотрубок в биологии, перспективы использования нанотрубок для направленной доставки лекарств.

3. Сборка нанотрубок с помощью программного пакета Hyp Ch, сборка молекулярных систем, включающих нанотрубки и биологические молекулы.

Ефремов Р.Г., Шайтан К.В.

4. Перевод собранных систем в формат программы молекулярной динамики UMA, запуск расчёта молекулярной динамики.

5. Запуск второго расчёта молекулярной динамики, обработка и визуализация результатов первого расчёта.

6. Обработка результатов численного эксперимента.

задачи лабораторной работы.

1. Сборка исследуемых структур с помощью программы Hyp Ch.

Собрать нанотрубку из 630 атомов углерода, обладающую хиральностью (10, 10) и закрытую с одного конца. В файле b. содержится нанотрубка, открытая с обеих концов. Этот файл следует открыть в программе HypCh и с помощью инструмента w дорисовать наконечник в форме половинки футбольного мяча (рис. 1) После сборки необходимо отрелаксировать струк туру. Для этого следует выбрать пункт меню Cpuy pz и нажать OK, после чего произойдёт автоматическая минимизация энергии.

После релаксации структуры нанотрубка должна иметь диаметр около 13, ангстрем, длину около 38 ангстрем и выглядеть так, как показано на рис. 3.

Эту и последующие молекулярные системы сохранить в виде файлов B (расширение *.).

Рис. 1. Топология закрытого конца нанотрубки.

МОЛЕКУЛяРНОЕ МОДЕЛИРОВАНИЕ НАНО- И БИОСТРУКТУР Рис. 2. Окно сборки аминокислотной последовательности.

Собрать в отдельном файле полипептид из 15 остатков аланина в форме альфа-спирали. Для этого следует выбрать пункт меню bssA Ac A A ds и в появившемся окне (рис. 2) задать соответствующую последователь ность. Далее, в численном эксперименте будет исследоваться взаимодейс твие собранного пептида с нанотрубкой. Пептид должен выглядеть так, как показано на рис. 4.

Рис. 1. Нанотрубка. Рис. 2. Полипептид из 15 остатков аланина.

Ефремов Р.Г., Шайтан К.В.

2. Сборка молекулярных систем, состоящих из пептида и нанотрубки.

Собрать системы, содержащие пептид и нанотрубку в различном поло жении: пептид внутри нанотрубки, пептид сбоку нанотрубки, пептид на большом расстоянии (30 ангстрем) от нанотрубки, пептид вблизи открытого конца нанотрубки. Последняя система будет исследоваться на возможность самопроизвольного встраивания пептида в нанотрубку. Расчёты распределя ются между студентами так, чтобы каждый студент проводил два расчёта.

Чтобы объединить нанотрубку и пептид в одну систему, следует открыть файл с нанотрубкой, выбрать пункт меню FileMg и в появившемся окне открыть файл с пептидом. В получившейся системе выделить нанотрубку с помощью инструмента lc и переместить её в требуемое положение отно сительно пептида с помощью инструментов перемещения (sl, in-pl, u--pl).

3. Перевод молекулярных систем в формат программы UMA.

Для осуществления расчёта молекулярной динамики применяется про грамма UMA. Эта программа работает в консольном режиме, она реали.

зует численное интегрирование классических уравнений движения методом Верле с использованием силового поля AMB. На её вход подаётся файл молекулярной системы в её собственном формате с расширением *.fi. Для перевода файлов B в файлы используется программа pdd.x, вхо.x, x,, дящая в пакет UMA. Используя эту программу, перевести все собранные молекулярные системы в формат. Имена входного и выходного файлов за.

даются в текстовом файле pdd.. При необходимости внести описания новых остатков в файл с расширением *.s.

4. Запуск расчёта молекулярной динамики.

В зависимости от версии исполняемый файл пакета молекулярной дина мики UMA может называться по-разному, например, e303b10.x. Файл параметров молекулярной динамики называется 100e3.. В нём следует указать следующие параметры:

Шаг интегирования – 0.001 пс.

Длина траектории – 1000000 шагов.

Температура – 300 К.

Термостат – столкновительный, масса виртуальных частиц 1 а. е. м., час тота столкновений – 10/пс/атом.

Баростат отсутствует, размер периодической ячейки 100*100*100 ангс трем.

Радиус обрезания взаимодействий – 16 ангстрем.

При запуске программа UMA требует, чтобы пользователь ввёл число, МОЛЕКУЛяРНОЕ МОДЕЛИРОВАНИЕ НАНО- И БИОСТРУКТУР следует ввести 0. В ходе работы на экране отображаются значения текущих характеристик системы, таких, как температура, давление, энергия. Выход из программы осуществляется клавишей Q. При нажатии клавиши H на экране отображается молекулярная система. В результате работы программы гене рируются два текстовых файла: файл траектории 100j.fi и файл статистики 100ww.x.

5. Визуализация результатов численного эксперимента.

Перевести полученный в расчёте файл траектории (100j.fi) в формат C, для чего в командной строке ввести:

fi2dcd.x 100j.fi 100j.dcd При выполнении этой команды программа fi2dcd.x переводит траекто fi2dcd.x dcd.x.x x рию в файл 100j.dcd. В программе M выбрать FileLd и в появившемся окне (рис. 5) загрузить B-файл и соответствующий C-файл, после чего на экране должна отобразиться молекулярная система и последовательность её состояний во времени. Установить, произошло ли заметное изменение конформации, в частности, встраивание в пептида нанотрубку, в различных системах.

Рис. 5. Окно загрузки файлов в программе M.

Ефремов Р.Г., Шайтан К.В.

6. Обработка результатов численного эксперимента.

На основании данных из файла траектории вычислить разность энергий, соответствующую различным взаимным положениям нанотрубки и пептида.

С помощью программы j_gl.x получить из файла траектории значе _gl.x gl.x.x x ния торсионных углов, (рис. 6) в полипептиде, находящемся в вакууме и внутри нанотрубки. Для этого ввести следующую команду:

j_gl.x 100j.fi ph.x ph.d, где ph.x – файл с номерами атомов, составляющими торсионные углы, ph.d – выходной файл с последовательностью значений торсионных углов во времени. Файл ph.x должен представлять собой список номеров атомов, составляющих торсионный угол:

16993 16999 17001 17003 17009 17011 17013 17019 17021 … … Следует составить два файла с номерами углов – ph.x для углов и ps.

x для углов, соответственно получить два файла с последовательностью углов.

Рис. 6. Обозначения торсионных углов в полипептидной цепи.

МОЛЕКУЛяРНОЕ МОДЕЛИРОВАНИЕ НАНО- И БИОСТРУКТУР В программе Mlb построить карты Рамачандрана для полученных углов (рис. 7) и графики автокорреляционных функций для каждого угла (рис. 8). Для этого ввести в командную строку программы Mlb следую щие команды:

ph=ld(‘ph.d’);

ps=ld(‘ps.d’);

pl_ucs(ph, 100);

pl_ucs(ps, 100);

pl_chd(ph, ps, 90);

Для функции pl_ucs необходимо указать количество шагов, по которым будет рассчитываться автокорреляционная функция (100), для функции pl_chd необходимо указать разрешение вычисляемой карты (90).

На основании полученных результатов сделать вывод о влиянии на нотрубки на конформационные и динамические свойства полипептида.

10 20 30 40 50 60 70 80 Рис. 7. Пример карты Рамачандрана.

Ефремов Р.Г., Шайтан К.В.



Pages:   || 2 |
 

Похожие работы:


 
2013 www.netess.ru - «Бесплатная библиотека авторефератов кандидатских и докторских диссертаций»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.