-EF =弹性力常数,用于保留蛋白质二级和三级结构。应使用它来测试正常的所有原子构象,以保持所有原子和粗粒结构之间的相似性。应该测试几个值,并且必须使用研究信息来为您的系统选择更好的值。-EL =弹性下键切断。作为-ef标志,必须与晶体学结构进行测试或比较。-EU =弹性上键切断。作为-ef标志,必须与晶体学结构进行测试或比较。-pf =位置约束。用于避免原子运动以平衡系统。应与-p标志一起使用,以选择要约束哪种珠子。骨干是最常见的选择。- 突变=突变一个残基到另一个残基。一般而言,马提尼岛在识别他的HSD:HSD时始终构成始终突变的马提尼岛有一些问题。
可以将某些物理演化视为微观离散模型的突发有效结果。受经典粗粒化程序的启发,我们提供了一种遵循 Goldilocks 规则的粗粒化色盲量子细胞自动机的简单程序。该程序包括 (i) 将量子细胞自动机 (QCA) 在时空上分组为大小为 N 的细胞;(ii) 将细胞的状态投射到其边界上,并将其与精细动力学联系起来;(iii) 通过边界状态描述整体动力学,我们称之为信号;(iv) 为不同大小为 N 的细胞构建粗粒化动力学。这个简单的玩具模型的副产品是斯托克斯定律的一般离散模拟。此外,我们证明在时空极限中,自动机收敛到狄拉克自由哈密顿量。我们在这里介绍的 QCA 可以通过当今的量子平台实现,例如里德堡阵列、捕获离子和超导量子比特。我们希望我们的研究能够为更深入地理解这些分辨率有限的系统铺平道路。
抽象动机:由于DNA测序的进步,现在常规地进行了环境微生物群落的分类学分析。确定这些群落在全球生物地球化学周期中的作用需要鉴定其代谢功能,例如氢氧化,还原和碳固定。这些功能可以直接从宏基因组学数据中推断出来,但是在许多环境应用中,MetabarCoding仍然是选择的方法。从元法编码数据及其整合到地球化学循环的粗粒表示中,代谢功能的重建仍然是当今有效的生物信息学问题。结果:我们开发了一条称为Tabigecy的管道,该管道利用分类学官员来预测构成生物地球化学周期的代谢功能。在第一个步骤中,Tabigecy使用该工具Esmecata从输入液位中预测共识蛋白质组。为了优化此过程,我们生成了一个预先计算的数据库,其中包含来自Uniprot的2,404个分类单元的信息。使用BigeCyhmm搜索了共有的蛋白质组织,BigeCyhmm是一个新开发的Python软件包,依靠隐藏的Markov模型来识别参与生物地球化学周期代谢功能的关键酶。然后将代谢功能投射到周期的粗粒表示上。我们将塔博基(Tabigecy)应用于两个盐洞数据集,并通过对样品进行的微生物活性和水力化学测量结果验证了其预测。结果突出了研究微生物群落对地理化学过程的影响的方法。关键字:微生物群落,生物地球化学周期,代谢功能,分类学官员
1分子微生物学和结构生物化学(MMSB,UMR 5086),CNRS&Lyon大学,法国里昂,里昂; 2法国斯特拉斯堡·塞德克斯大学(UMR 7177 CNRS,umr 7177 CNRS) 3 Pharmcadd,商,商,韩国; 4计算生物医学,高级模拟研究所(IAS-5)和神经科学与医学研究所(INM-9),德国尤利希的ForschungszentrumJülichGmbh; 5德国亚兴的亚历大学数学,计算机科学与自然科学学院生物学系; 6 Zymvol Biomodeling,西班牙巴塞罗那; 7JülichSuperComputing Center(JSC),ForschungszentrumJülichGmbH,Jülich,德国; 8德国亚兴大学rWth亚兴大学医学院神经病学系和韩国灌木丛大学的Pukyong国立大学物理学系91分子微生物学和结构生物化学(MMSB,UMR 5086),CNRS&Lyon大学,法国里昂,里昂; 2法国斯特拉斯堡·塞德克斯大学(UMR 7177 CNRS,umr 7177 CNRS) 3 Pharmcadd,商,商,韩国; 4计算生物医学,高级模拟研究所(IAS-5)和神经科学与医学研究所(INM-9),德国尤利希的ForschungszentrumJülichGmbh; 5德国亚兴的亚历大学数学,计算机科学与自然科学学院生物学系; 6 Zymvol Biomodeling,西班牙巴塞罗那; 7JülichSuperComputing Center(JSC),ForschungszentrumJülichGmbH,Jülich,德国; 8德国亚兴大学rWth亚兴大学医学院神经病学系和韩国灌木丛大学的Pukyong国立大学物理学系9
Martini 粗粒度力场 Martini 3 的最新重新参数化提高了该模型在预测分子动力学模拟中的分子堆积和相互作用方面的准确性。在这里,我们描述了如何在 Martini 3 框架内精确参数化小分子,并提供了一个经过验证的小分子模型数据库。我们特别关注脂肪族和芳香族环状结构的描述,这些结构在溶剂和药物等小分子或蛋白质和合成聚合物等大分子的构成块中普遍存在。在 Martini 3 中,环状结构由使用更高分辨率粗粒度颗粒(小颗粒和微小颗粒)的模型描述。因此,本数据库构成了校准新 Martini 3 小颗粒和微小颗粒尺寸的基石之一。这些模型表现出出色的分配行为和溶剂性能。还捕获了不同本体相之间的可混溶性趋势,从而完成了参数化过程中考虑的一组热力学性质。我们还展示了新的珠子尺寸如何能够很好地表示分子体积,从而转化为更好的结构特性,例如堆叠距离。我们进一步介绍了设计策略,以构建复杂度更高的小分子的 Martini 3 模型。
摘要 分子动力学 (MD) 模拟对于预测不同分子体系的物理和化学性质至关重要。虽然全原子 (AA) MD 提供了高精度,但其计算成本高昂,这促使了粗粒度 MD (CGMD) 的发展。CGMD 将分子结构简化为具有代表性的微珠,以降低成本,但会牺牲精度。像 Martini3 这样的 CGMD 方法,经过实验数据校准后,在各个分子类别中具有良好的泛化能力,但往往无法满足特定领域应用的精度要求。本研究引入了一种基于贝叶斯优化的方法来优化 Martini3 拓扑结构,使其能够适应特定应用,从而确保精度和效率。优化后的 CG 势能适用于任何聚合度,提供与 AA 模拟相当的精度,同时保持与 CGMD 相当的计算速度。通过弥合效率和精度之间的差距,该方法推动了多尺度分子模拟的发展,使各个科学技术领域能够以经济高效的方式发现分子。 1. 引言粗粒度分子动力学 (CGMD) 1,2 已成为材料开发的重要工具,为了解聚合物 3 、蛋白质 4 和膜 5 等复杂分子系统提供了关键信息。CGMD 的主要优势在于它能够在更大长度尺度和更长时间范围内探索分子现象,超越了传统全原子分子动力学 (AAMD) 6–8 模拟的能力,后者通常提供更高的分辨率,因此特别擅长捕捉详细的界面相互作用 9 。具体而言,CGMD 通过将原子团有效地表示为珠子 10–15 来实现这种加速,从而将模拟能力在时间上从皮秒扩展到微秒,在空间上从纳米扩展到微米。因此,粗粒度技术为传统 AAMD 无法获得的复杂分子现象提供了前所未有的洞察,从而能够研究聚合物自组装行为等复杂现象 16 。新兴的CGMD建模工具集依赖于两个关键组件来学习潜在的分子间关系:珠子映射方案和珠子间相互作用的参数化。这些组件的开发主要采用两种方法:自上而下10–12和自下而上13–
我们开发了一种基于耗散粒子动力学(DPD)的计算方法,该方法将溶剂的水动力相互作用引入了溶质的粗粒模型,例如离子,分子或聚合物。dpd-solvent(DPDS)是一种完全非驻留方法,可以直接通过任何基于粒子的溶质模型以所需的溶剂粘度,可压缩性和溶质扩散率直接掺入流体动力学。溶质仅通过DPD恒温器与溶剂相互作用,这确保了溶质系统的平衡性能不受引入DPD溶剂的影响,而恒温器耦合强度则设定了所需的溶质扩散率。因此,DPD可以用作替代传统分子动力学恒温器,例如Nosé -Hoover和Langevin。我们证明了在聚合物动力学和通过纳米孔电流流动的情况下,DPD的适用性。该方法应广泛用作将流体动力相互作用引入现有的粗粒溶质和软材料模型的一种手段。
在亲水性聚合物基质中配制低水溶性小分子药物,也称为无定形固体分散体 (ASD),是实现有效药物输送和生物利用度的最常见方法之一。生产高性能 ASD 取决于各种因素,例如药物赋形剂基质的物理稳定性、其在溶解过程中与聚合物的相互作用以及药物在水性介质中的释放速率。通常,研究人员会进行大量的设计和实验迭代来实现这一目标。虽然可以从实验数据中得出关于药物释放行为的假设,但对基本机制的全面理解和对分子水平事件的洞察仍然难以实现。仅通过实验很难获得详细的药物/聚合物/水相互作用。因此,需要一种更有效的方法来指导为特定药物选择合适的赋形剂(包括聚合物)。
摘要我们通过粗粒分子动力学模拟分析了每个硬汉形状记忆聚合物(TSMP)的交联部分和每个硬汉形状记忆聚合物(TSMP)的应力恢复和拓扑的功能位点数量的影响。通过操纵与每个硬质反应的独特环氧树脂的数量来系统地改变交联网络的质量后,我们发现两种指纹与TSMPS的应力恢复非常相关。这些指纹是连接到两个不同硬化分子的环氧分子的比例,是系统中最大或主要网络的一部分的分子的比例。他们的产品可以用作拓扑评分(S TOPO)来量化网络的拓扑特征。在分析应力恢复与S TOPO的函数时,我们发现S TOPO与恢复应力之间存在很强的相关性。此外,我们观察到,尽管较高的交联部分确实会导致更高的压力恢复,但仍然存在许多例外。高功能硬化剂在相似的S topo处倾向于表现出更高的应力恢复,尤其是在高(> 0.65)的topo处。这些结果表明,增加每个硬化分子的功能位点的数量,结合使用诸如半批量单体添加的方法改善网络拓扑结合,可以改善TSMPS的应力恢复。
总结系统生物学中的一个主要挑战是了解基因调节网络(GRN)中的各种基因如何共同执行其功能和控制网络动态。在具有数百个基因和边缘的大型网络的情况下,该任务变得极为难以解决,其中许多具有冗余的调节作用和功能。现有的模型减少方法通常需要对动态系统及其响应动力学参数的详细数学描述,而动力学系统通常不可用。在这里,我们提出了一种用于使用基于合奏的数学建模,降低维度降低和通过Markov Chain Monte Monte Carlo方法优化基因的数据驱动的大grn,名为Sacograci的粗粒度大GRN,称为Sacograci。sacograci需要网络拓扑作为唯一的输入,并且可以抵抗GRN中的错误。我们通过合成,基于文学和生物毒素的GRN进行基准并证明其用法。我们希望Sacograci能够增强我们建模复杂生物系统基因调节的能力。