1
Modélisa)on Mul)-échelle:
Modélisa)on des Macromolécules biologiques Séance 3 (1H30)
Cours de Master M2 2016-2017 Isabelle Navizet
Isabelle.navizet@u-pem.fr
Laboratoire Modélisa;on et Simula;on Mul;-Echelle (MSME)
2
Résumé des cours 1 et 2
• Modélisa;on: Mo;va;on
• Visualisa;on des protéines (VMD TP1)
• Champs de forces
• Protona;on des protéines (H++ et VMD TP2)
3
La méthode de calcul
• Minimisa;on d’énergie
• Méthodes de simula;on :
– Dynamique Moléculaire (DM) – Monté Carlo (MC)
• Méthodes de recherche conforma;onnelle Je vous invite à lire le livre de A.R. Leach:
« Molecular Modelling Principles ans applica;ons »
hXps://books.google.fr/books?id=kB7jsbV-uhkC&printsec=frontcover&dq=Leach+molecular
+modelling&hl=fr&sa=X&ved=0ahUKEwiPvNPZzrTPAhVLahoKHQciA2cQ6AEILDAA#v=onepage&q=Leach
%20molecular%20modelling&f=false Ou bien :
Computer Simula;on of Liquids de M.P. Allen et D.J. Tildesley
hXps://books.google.fr/books/about/Computer_Simula;on_of_Liquids.html?
id=O32VXB9e5P4C&redir_esc=y
4
Minimisa;on de l’énergie poten;elle
Façon dont l ’ énergie varie en fonc;on des coordonnées
= hypersurface d’énergie poten;elle (3N dimensions pour un système de N atomes)
On dis;ngue :
- les minima locaux = états stables
- le minimum global = structure na;ve ?
En modélisa;on moléculaire, on s’intéresse aux configura;ons d ’ énergie minimum
Iden;fica;on → algorithmes de minimisa;on.
5
Minimisa;on
Soit la fonc;on d’énergie poten;elle Recherche des minima =
détermina;on des valeurs des coordonnées pour lesquelles V est minimum:
La résolu;on analy;que n’est pas envisageable (trop complexe) Donc : méthodes numériques: changent graduellement les
coordonnées pour produire des conforma;ons d’énergie de plus en plus basse
et
0
0
22
∂ >
= ∂
∂
∂
i
r
iV r
V ! !
r !
1, !
r
2,..., ! r
N) ,...,
,
( r
1r
2r
NV ! ! !
6
• Il existe deux grandes classes d’algorithmes de minimisa;on - avec dériva;on de l’énergie
- sans dériva;on de l’énergie
• Méthode idéale= la plus rapide avec u;lisa;on d’un minimum de la mémoire Il n’y a pas UNE méthode qui soit MEILLEURE
Cela dépend du système et de la descrip;on des interac;ons
• La plupart des algorithmes descendent le long de la surface d’énergie ⇒ LOCALISATION DU MINIMUM LE PLUS PROCHE
énergie
coordonnée
7
Point de départ d ’ une minimisa;on
Le jeu de coordonnées ini;ales est obtenu : - expérimentalement (rayons X, RMN)
- par modélisa;on (recherche conforma;onnelle, modélisa;on par homologie, prédic;on, ...)
- en combinant approche expérimentale et théorique exemple: protéine (structure RX) +
solvant (simula8on DM ou MC)
8
Méthodes dériva;ves
1 ère dérivée : gradient
La direc;on du gradient indique dans quelle direc;on se trouve le minimum
L ’ amplitude du gradient indique la raideur de la pente
2 ème dérivée :
Indique la courbure de la fonc;on.
Peut être u;lisée pour prédire où la fonc;on change de
direc;on
9
a. Méthodes du premier ordre
Ces méthodes changent graduellement les coordonnées des atomes en déplaçant le système de plus en plus près du minimum.
Le point de départ de chaque nouvelle itéra;on k est la configura;on obtenue au pas précédent k-1.
i) Méthode « steepest descent »
Déplacement dans une direc;on // à la force neXe agissant sur la molécule - LIGNE DE PLUS GRANDE PENTE
vecteur déplacement
Où s’arrêter ? 2 méthodes: - « line search » à 1D
- « arbitrary step approach »
g V
F ! ! !
−
=
∇
−
=
k k
k
g
s g !
! !
−
=
10
* « line search » à une dimension
On cherche à localiser le minimum le long d’une direc;on spécifique ( minium sur 1D)
La première étape consiste à encadrer le minimum dans la direc;on selon laquelle on se déplace.
Pour cela, on trouve 3 points (1, 2 et 3) tels que E2 < E1 et E2 < E3 alors le minium est entre les points 1 et 3.
La deuxième étape consiste à affiner la posi;on du minimum.
Deux possibilités:
- Procédure itéra;ve permeXant de diminuer la distance entre les points extrèmes (1 et 3) et restreint la possibilité de trouver le minimum à une région de + en + pe;te. C’est très coûteux.
- Déterminer une fonc;on passant par ces trois points pour laquelle on peut déterminer analy;quement le minimum.
-> Ce point peut être u;lisé pour un autre fit afin d’obtenir une meilleure approxima;on du minimum.
Exemple d’applica8on de la méthode line search D’après ‘Molecular Modelling’. A. Leach
11
* « arbitrary step approach »
• On démarre avec un pas de taille arbitraire le long du vecteur déplacement.
-> nouveau jeu de coordonnées
où λk est la taille du pas (valeur par défaut)
• Si la 1ère itéra;on conduit à une diminu;on de l’énergie λk est augmenté d’un facteur mul;plica;f
Procédé répété tant que l’énergie diminue (ex: 1.2)
• Quand un pas supplémentaire entraîne une augmenta;on de l’énergie λk est réduit par un facteur mul;plica;f (ex: 0,5)
Etc … obten;on du minimum sur la direc;on suivie
Quelle que soit la méthode u;lisée, le nouveau gradient calculé au point minimum 1D obtenu (k’) sera perpendiculaire au précédent.
g ! k ' . !
g k ' − 1 = 0
k k k
k
r s
r ! ! !
λ
+
+1
=
12
- méthode robuste même lorsque l’on est loin du minimum - implique un angle de 90° entre deux évalua;ons du gradient
=> probléma;que dans de longues vallées étroites
Applica8on de la méthode steepest descent à la fonc8on x2+2y2 D’après ‘Molecular Modeling’. A. Leach
Caractéris;ques de la méthode steepest descent:
13
ii) Méthode du gradient conjugué
Dans la méthode « steepest descent », les gradients et direc;ons, entre deux évalua;ons, sont orthogonaux.
Dans la méthode du gradient conjugué, les gradients sont orthogonaux mais les direc;ons conjuguées (dépendantes du pas précédent)
vecteur déplacement
!
v
k '= − !
g
k'+ γ
k'v !
k'−1où
γ
k=
g !
k'. ! g
k'g !
k'−1. !
g
k'−1Plus le gradient précédent est fort, plus l’influence de la direc;on précédente est faible.
Selon la direc;on donnée par le vecteur déplacement,
le minimum1D est déterminé par l’une ou l’autre des méthodes vues précédemment:
« line search » ou « arbitrary step approach »
14
- CeXe méthode n’est applicable qu’à par;r de la deuxième es;ma;on du gradient.
Avant: steepest descent.
- Permet une convergence plus rapide dans le cas de longues vallées étroites (pas de mouvement oscillant)
Caractéris;ques de la méthode du gradient conjugué:
Applica8on de la méthode du gradient conjugué à la fonc8on x2+2y2 D ’après ‘Molecular Modeling’. A. Leach
Steepest descent Gradient conjugué
15
b. Méthodes du second ordre: méthode de Newton-Raphson Méthode u;lisant les dérivées premières et secondes
Au voisinage d’un point xk, on peut développer la fonc;on d’énergie poten;elle en série de Taylor:
V(x) = V(xk)+ (x − xk)V '(xk)+ 1
2 (x − xk)2V ''(xk)
En dérivant, on ob;ent:
V '( x ) = V '( x
k) + ( x − x
k) V ''( x
k)
En supposant la fonc;on d’énergie poten;elle quadra;que
au voisinage du minimum, alors (~ a+ bx+cx2) V ''(x) =V ''(xk) = cste ∀xk
On cherche alors tel que x* V'(x*) = 0
V '( x*) = 0 = V '( x
k) + ( x * − x
k) V ''( x
k) x* = x
kV ''( x
k) − V '( x
k)
V ''( x
k) x* = x
k− V '( x
k)
V ''( x
k)
Pour une fonc;on mul;dimensionnelle, !
r* = !
rk − !
V '(xk) !!
V ''−1(xk)
Au minimum, x = x * et V'(x*) = 0
17
- En pra;que, la surface n’est quadra;que qu’en première approxima;on => nombreux pas nécessaires pour obtenir le minimum
- L’approxima;on harmonique n’est valable qu’au voisinage du minimum => loin du mini, la méthode devient instable
- A chaque pas, calcul et inversion de la matrice des dérivées secondes de l’énergie => méthode coûteuse en calcul et en mémoire
- Il existe de nombreuses variantes de ceXe méthode Caractéris;ques de la méthode de Newton-Raphson:
18
Quelles méthodes de minimisa;on choisir ?
Cela dépend du système et des possibilités de calcul Steepest descent / Gradient Conjugué
- Steepest descent donne de meilleurs résultats lorsque l’on est loin du minimum (interac;ons ini;ales élevées)
Problèmes dans les longues vallées étroites
- Le gradient conjugué : Meilleur pour affiner une structure (lorsque les contraintes ini;ales sont supprimées)
Newton-Raphson:
-Bonne convergence au voisinage du minimum
- Nécessite beaucoup de mémoire pour les gros systèmes - Peut poser des problèmes si l’on est loin du minimum On u;lisera au préalable des méthodes plus robustes:
- méthodes non dériva;ves - steepest descent
19
• Posi;on du minimum difficilement iden;fiable =>
critères pour décider que l ’ on est suffisamment proche du minimum
• Étude de la varia;on d ’ énergie
→ Minimisa;on stoppée lorsque la différence d ’ énergie entre deux pas < seuil
• Calcul du gradient d ’ énergie
→ Minimisa;on stoppée lorsque GRMS entre deux pas < seuil ( typiquement 10
-4- 10
-7kcal/mol/Å )
GRMS = 1 3N
∂V
∂ x
i⎛
⎝ ⎜ ⎞
⎠ ⎟
2
+ ∂V
∂ y
i⎛
⎝ ⎜ ⎞
⎠ ⎟
2
+ ∂V
∂ z
i⎛
⎝ ⎜ ⎞
⎠ ⎟
⎛
2⎝
⎜ ⎜
⎞
⎠
⎟ ⎟
i=1 N
∑
Critères de convergence
20
• Point de départ des simula;ons de DM et MC
→ supprimer de mauvais contacts
→ meXre le système dans un mini du poten;el u;lisé
• Affinement de structures
• Recherches conforma;onnelles - minimisa;ons sous contraintes
- complément aux algorithmes permeXant de générer différentes configura;ons ini;ales
Applica;on des méthodes de
minimisa;on
21
• Simula;on
Généra;on de configura;ons représenta;ves (qui peuvent différer des configura;ons d‘E minimum)
→ calcul de propriétés structurales
→ calcul de grandeurs thermodynamiques (moyennes temporelles (DM) ou moyennes d’ensemble (MC))
→ l’étude du comportement en fonc;on du temps (DM) (fluctua;ons, changements conforma;onnels).
• Minimisa;on
Obten;on d’une configura;on d’E minimum la plus proche de la configura;on ini;ale.
• Analyse conforma;onnelle
Recherche d’un maximum de structures d’E minimum.
(Si toutes les configura;ons d’énergie minimum sont déterminées, on en déduit des propriétés structurales et surtout thermodynamiques. )
Techniques de simula;on (DM et MC)
1. Dynamique Moléculaire newtonienne
Les configura;ons successives d’un système sont générées en résolvant l’équa;on de Newton, soit, pour chaque par;cule i du système,
i i
i
i ma
dt r m d
F" ! !
=
= 2
2
Condi;ons ini;ales:
Premier pas:
Puis algorithme de résolu;on de l’équa;on de Newton (développement de Taylor)
) 0 ( )
0
( i
i v
r! et !
( ) t r v t
r !
iδ = !
i( 0 ) + !
i( 0 ). δ
23
Algorithme d’Euler:
si δt est suffisamment pe;t, Développement de Taylor à l’ordre 1
r!i(t +δt)= !
ri(t)+ d! ri(t)
dt .δt +O(δt)2 r!i(t +δt)= !
ri(t)+ !
vi(t).δt+O(δt)2 v!i(t +δt)= !
vi(t)+ !
ai(t).δt +O(δt)2
avec
i i i
i
i r
V m m
a F !
! !
∂
− ∂
=
= 1
Evalua;on de la force F(x(t)) à la posi;on x(t) et la vitesse v(t) permet de prévoir (approxima;vement) les valeurs au moment t + δt.
Le problème: un système conserva;f est réversible Or la méthode d’Euler est irréversible dans le temps:
démonstra;on
r!i(t)= !
ri(t +δt −δt)= !
ri(t +δt)− !
vi(t +δt).δt r!i(t+δt)= !
ri(t)+ !
vi(t).δt v!i(t +δt)− !
vi(t)= !
ai(t).δt = 0!!!
or
Algorithme de Verlet aux posi;ons
Si δt est suffisamment pe;t, on peut faire le développement de Taylor à l’ordre 2.
r!i(t +δt)= !
ri(t)+ d! ri(t)
dt .δt + 1 2
d2! ri(t)
dt2 .δt2 +O(δt)3 r!i(t +δt)= !
ri(t)+ !
vi(t).δt + 1 2
a!i(t).δt2 +O(δt)3 r!i(t −δt)= !
ri(t)− !
vi(t).δt + 1 2
a!i(t).δt2 +O(δt)3 r!i(t +δt)= 2!
ri(t)− !
ri(t −δt)+ !
ai(t).δt2 +O(δt)4
v!i(t)=
r!i(t +δt)− !
ri(t −δt)
2δt +O(δt)3 avec
i i i
i
i r
V m
m
a F !
! !
∂
− ∂
=
= 1
Somme
et différence
Seules les posi;ons r sont calculées explicitement,
les vitesses sont accessibles seulement par différen;a;on Numérique.
- La précision de r et de v n’est pas égale.
- L’algorithme ne démarre pas seul, il faut des informa;ons sur plus qu’un seul moment t.
Démarrer avec l’algorithme de Euler ou avec r(δt) = r(0) + v(0)δt + F (0)(δt)2/2m - L’algorithme est symétrique par rapport à la subs;tu;on t → −t.
Algorithme de Verlet aux vitesses
Si δt est suffisamment pe;t, on peut faire le développement de Taylor à l’ordre 2.
r!i(t +δt)= !
ri(t)+ !
vi(t).δt + 1 2
a!i(t).δt2 +O(δt)3 v!i(t +δt) = !
vi(t)+ d! vi(t)
dt .δt + 1 2
d2! vi(t)
dt2 .δt2 +O(δt)3 v!i(t +δt) = !
vi(t)+ !
ai(t).δt + 1 2
d! ai(t)
dt .δt2 +O(δt)3 v!i(t +δt) = !
vi(t)+ !
ai(t).δt + 1 2
a!i(t+δt)− ! ai(t)
δt .δt2 +O(δt)3 v!i(t +δt) = !
vi(t)+ 1 2(!
ai(t+δt)+ !
ai(t)).δt+O(δt)3 avec
i i i
i
i r
V m m
a F !
! !
∂
− ∂
=
= 1
Les vitesses sont mises à jour à l’aide des forces moyennes pendant le pas δt en exploitant les nouvelles posi;ons x(t + δt).
Il faut intercaler le calcul des nouvelles forces F (t+δt) entre la mise à jour de x et le calcul de v(t+δt)
- L’algorithme conserve la symétrie t → −t
- L’algorithme permet des interven;ons directes sur les vitesses.
- Toutes les coordonnées r et v sont disponibles sur la même grille de t.
- L’algorithme démarre tout seul avec les condi;ons ini;ales x(0) et v(0).
26
Algorithme de leap-frog
4
13
L’algorithme "leap-frog" (1)
• Calcul des positions atomiques à tous les temps t et toutes les vitesses atomiques aux temps intermédiaires t+δδδδt/2 :
) ( )
( )
(t t v t ta t
v +δ = +δ
) 2 (
1 2
1 t v t t ta t
t
v( + δ )= ( − δ )+δ
t t t
v t r t t
r δ δ )δ
2 ( 1 ) ( )
( + = + +
rri
vri On a
donc
(termes d’ordres supérieurs négligés)
t t r t t t r
t
v δ
δ ) ( δ ) ( ) 2
( 1 + −
= +
On a
donc
PF 02/2010
14
L’algorithme "leap-frog" (2)
t+∆∆∆∆t t t+∆∆∆∆t/2
t-∆∆∆∆t/2
Les positions et vitesses sont calculées alternativement comme si on sautait de l’une à l’autre (comme une grenouille !)
PF 02/2010
15
Choix du pas d’intégration
• Qu’est-ce qu’un pas d’intégration approprié ?
Trop petit
Rien ne se passe Trop grand
instabilités Approprié
Système Types de mouvement Pas d’intégration suggéré Molécules rigides translation, rotation 5 fs Molécules flexibles,
Liaisons rigides
translation, rotation,
torsions 2 fs
Molécules flexibles, Liaisons flexibles
Translation, rotation,
torsions, vibrations 1 or 0.5 fs
PF 02/2010
16
Choix du pas d’intégration (2)
• Le pas d’intégration doit être plus petit que les mouvements de plus haute fréquence du système : δt << νmax
• En “gelant” les mouvements de haute fréquence, des pas
d’intégration plus important peuvent être utilisés (gain en temps de calcul)
• Conditions:
– Fréquences des mouvements gelés >> fréquences des autres mouvements
– Mouvements gelés faiblement couplés aux autres mouvements
• E.g. : longueurs de liaison
– Pour les atomes d’Hydrogène: δt augmenté d’un facteur 2 (1 fs time step)
– Toutes les liaisons : δtaugmenté d’un facteur 3 (2 fs time step)
• Divers algorithmes proposés : SHAKE, LINCS, RATTLE, SETTLE…
PF 02/2010
4
13
L’algorithme "leap-frog" (1)
• Calcul des positions atomiques à tous les temps t et toutes les vitesses atomiques aux temps intermédiaires t+δδδδt/2 :
) ( )
( )
(t t v t ta t
v +δ = +δ
) 2 (
1 2
1 t v t t ta t
t
v( + δ )= ( − δ )+δ
t t t
v t
r t t
r δ δ )δ
2 ( 1 )
( )
( + = + +
r r
iv r
i On adonc
(termes d’ordres supérieurs négligés)
t
t r t t t r
t
v δ
δ ) ( δ ) ( ) 2
( 1 + −
= +
On a
donc
PF 02/2010
14
L’algorithme "leap-frog" (2)
t+∆∆∆∆t t t+∆∆∆∆t/2
t-∆∆∆∆t/2
Les positions et vitesses sont calculées alternativement comme si on sautait de l’une à l’autre (comme une grenouille !)
PF 02/2010
15
Choix du pas d’intégration
• Qu’est-ce qu’un pas d’intégration approprié ?
Trop petit Rien ne se passe
Trop grand
instabilités Approprié
Système Types de mouvement Pas d’intégration suggéré Molécules rigides translation, rotation 5 fs Molécules flexibles,
Liaisons rigides
translation, rotation,
torsions 2 fs
Molécules flexibles, Liaisons flexibles
Translation, rotation,
torsions, vibrations 1 or 0.5 fs
PF 02/2010
16
Choix du pas d’intégration (2)
• Le pas d’intégration doit être plus petit que les mouvements de plus haute fréquence du système : δt << νmax
• En “gelant” les mouvements de haute fréquence, des pas
d’intégration plus important peuvent être utilisés (gain en temps de calcul)
• Conditions:
– Fréquences des mouvements gelés >> fréquences des autres mouvements
– Mouvements gelés faiblement couplés aux autres mouvements
• E.g. : longueurs de liaison
– Pour les atomes d’Hydrogène: δt augmenté d’un facteur 2 (1 fs time step)
– Toutes les liaisons : δt augmenté d’un facteur 3 (2 fs time step)
• Divers algorithmes proposés : SHAKE, LINCS, RATTLE, SETTLE…
PF 02/2010 i
i i
i
i r
V m m
a F !
! !
∂
− ∂
=
= 1
Le traitement de r et v est symétrique.
L’algorithme est symétrique t → −t.
Représenta;on schéma;que de différentes étapes des algorithmes Les boites bleues correspondent au stockage des coordonnées.
r!i(t +δt)= 2 !
ri(t)− !
ri(t −δt)+ !
ai(t).δt2
v!i(t+ 1
2δt)= !
vi(t − 1
2δt)+ !
ai(t)).δt r!i(t +δt)= !
ri(t)+ !
vi(t + 1
2δt).δt r!i(t+δt)= !
ri(t)+ !
vi(t).δt + 1 2
a!i(t).δt2 v!i(t+δt)= !
vi(t)+ 1 2(!
ai(t +δt)+ !
ai(t)).δt
t-dt t t+dt t-dt t t+dt t-dt t t+dt t-dt t t+dt
r
Leap-frog v
a
t-dt t t+dt t-dt t t+dt t-dt t t+dt t-dt t t+dt
r
Verlet v
a
t-dt t t+dt t-dt t t+dt t-dt t t+dt t-dt t t+dt
r
Verlet aux vitesses v
a
28
2. Choix du pas d ’ intégra3on δ
tδ t trop pe;t → espace de phase exploré trop lentement δ t trop grand → instabilités
• Typiquement, δ t = 1 ordre de grandeur plus pe;t que les mouvements les plus rapides échan;llonné
Système Mouvements présents Pas de temps
suggéré (s)
Atomes
Molécules rigides Molécules flexibles liaisons rigides Molécules flexibles liaisons rigides
Translation
Translation et rotation
Translation, rotation et torsion
Translation, rotation, torsion et vibration
10-14 5.10-15 2.10-15
10-15 ou 5.10-16
• Dynamique à pas de temps mul;ples
Illustra;on de l’infuence de différents pas de temps.
D’après ‘Molecular Modeling’, Andrew Leach.
→ explora;on reste peu rapide, pas de l’ordre de fs=10-15s
Interac;ons divisées en 2 par;es - interac;ons à courte portée: δt1
- interac;ons à longue portée: δt2 > δt1
• Divers algorithmes proposés pour geler des mouvements (dynamique sous contrainte):
SHAKE, LINCS, RATTLE, SETTLE...
29
3. dynamique stochas3que ou de Langevin
Pour chaque par;cule i du système,
i i i i i i i
i R
dt r m d F
a dt m
r
m d ! ! ! ! !
+
−
=
= γ
2 2
Incorpora;on des effets de solvant (sans molécule explicite)
Force sur la par;cule i liée aux interac;ons par;cule-par;cule
i
i r
F! V!
∂
− ∂
=
Force de fric;on exercée par le solvant sur la par;cule i se déplaçant dans le solvant
γi = fréquence de collision ξ =γimi = coefficient de friction
Force sur la par;cule i liée aux fluctua;ons thermiques
du solvant (collisions)
30
4. Autres types de dynamiques:
- dynamique à température constante - dynamique à pression constante - dynamique sous contraintes
Dynamique moléculaire standard : nombre de par;cules N, volume V et énergie totale E du système sont conservés
Etot = Epoten8al + Ekine8c
• Les approxima;ons (cut-offs, intégra;on) peuvent mener à des instabilités et donc à des varia;ons d’énergie et/ou de température
• Etudes de systèmes qui ne sont pas à l’équilibre (gradient P ou T)
=> thermostat, barostat, …
31
5
17
DM à température et pression constantes
Température et pression doivent être contrôlées
• Dynamique moléculaire standard : nombre de particules N, volume V et énergie totale E
totdu système sont conservés
E
tot= E
potential+ E
kinetic• Les approximations (cut-offs, intégration)
peuvent mener à des instabilités et donc à des variations d’énergie et/ou de température
• Etudes de systèmes qui ne sont pas à l’équilibre (gradient P ou T)
PF 02/2010
18
Notion de Mécanique Statistique
• Mécanique Statistique :
– étude des systèmes macroscopiques d’un point de vue moléculaire
– permet de faire le lien entre les simulations microscopiques (DM) avec des propriétés macroscopiques
• Quelques définitions:
– état thermodynamique : état macroscopique dépendant de
paramètres thermodynamiques (température, pression, nombre de particules…)
– état microscopique : jeu de coordonnées et de vitesses pour un système donné (= un point dans l’espace de phase)
– espace de phase : espace multidimensionnel (6N dimensions:
3N coordonnées, 3N vitesses) caractérisant l’ensemble des états microscopiques possibles d’un système
– ensemble thermodynamique : ensemble des points dans
l’espace de phase satisfaisant un certain état thermodynamique
PF 02/2010
19
Ensembles Thermodynamiques
• Les différents ensembles thermodynamiques
– micro-canonique : ensemble NVE (N=nombre de particules, V=volume, E=énergie totale du système) – canonique : ensemble NVT (T = température)
– isotherme-isobare : ensemble NPT (P = pression) – grand-canonique : ensemble µ µ µVT µ (µ = potentiel
chimique)
• L’ensemble NPT
– devient le plus commun pour les dynamiques moléculaires de systèmes protéiques
– nécessaire pour les simulations de lipides et de protéines membranaires
PF 02/2010
20
DM à température constante
) 3
2 ( 2
1
1
2
c b
Natoms
i
i i
kin k T N N
v m
E =
∑
= −=
Nc=3 si on contraint le moment linéaire total
(3N-Nc) = nb de degrés de liberté
• La temperature T est reliée à l’énergie cinétique Ekin du système et donc aux vitesses. D’après le théorème d’équipartition de l’énergie:
• La température peut être controlée en modifiant les vitesses vi des atomes et molécules du système, e.g.:
– Ajustement des vitesses : les vitesses sont ajustées de manière à avoir T=Tref à chaque pas
• Pas de fluctuations de température !
– Algorithme de Berendsen (“Weak coupling”) : les vitesses sont ajustées à un taux proportionnel à la différence de température
• Fluctuations de température, plus réaliste
• Autre algorithme: Nose-Hoover
PF 02/2010
Les différents ensembles thermodynamiques:
Il vont dépendre des paramètres thermodynamiques qui sont maintenus constants:
Cela peut être
N: nombre de par;cules V: volume
E: énergie totale du système T: Température
P: pression
µ: poten;el chimique
On nomme l’ensemble suivant les paramètres constants:
- micro-canonique : ensemble NVE - Canonique: ensemble NVT
- Isotherme-isobare: ensemble NPT - Grand-canonique: ensemble µVT Rm:
L’ensemble NPT (isotherme-isobare):
- est le plus commun pour les dynamiques moléculaires des systèmes protéiques -est nécessaire pour les simula;ons de lipides et de protéines membranaires
Dynamique à T constante
• Théorème d’équipar;;on de l’énergie:
Si un système est en équilibre à la température T, alors chaque terme quadra;que indépendant dans son énergie a une valeur moyenne égale à ½ k
BT.
kB est la constante de Boltzmann: kB= 1,4.10-23J.K-1
Ainsi on définie la température ciné;que à par;r de la défini;on:
Avec 3N
lle nombre de degrés de liberté qui est 3N
l=3N-N
cavec N
cle nombre de contraintes
[3N
lpeut être approximé par 3N (car N par;cules avec x, y et z en degrés de liberté) si N est grand]
E
cin= 1
i=1
2
N
∑ miv
i2 = 2 3 N
lk
BT
cin
5
17
DM à température et pression constantes
Température et pression doivent être contrôlées
• Dynamique moléculaire standard : nombre de particules N, volume V et énergie totale E
totdu système sont conservés
Etot = Epotential + Ekinetic
• Les approximations (cut-offs, intégration)
peuvent mener à des instabilités et donc à des variations d’énergie et/ou de température
• Etudes de systèmes qui ne sont pas à l’équilibre (gradient P ou T)
PF 02/2010
18
Notion de Mécanique Statistique
• Mécanique Statistique :
– étude des systèmes macroscopiques d’un point de vue moléculaire
– permet de faire le lien entre les simulations microscopiques (DM) avec des propriétés macroscopiques
• Quelques définitions:
– état thermodynamique : état macroscopique dépendant de
paramètres thermodynamiques (température, pression, nombre de particules…)
– état microscopique : jeu de coordonnées et de vitesses pour un système donné (= un point dans l’espace de phase)
– espace de phase : espace multidimensionnel (6N dimensions:
3N coordonnées, 3N vitesses) caractérisant l’ensemble des états microscopiques possibles d’un système
– ensemble thermodynamique : ensemble des points dans
l’espace de phase satisfaisant un certain état thermodynamique
PF 02/2010
19
Ensembles Thermodynamiques
• Les différents ensembles thermodynamiques
– micro-canonique : ensemble NVE (N=nombre de particules, V=volume, E=énergie totale du système) – canonique : ensemble NVT (T = température)
– isotherme-isobare : ensemble NPT (P = pression) – grand-canonique : ensemble µµµVTµ (µ = potentiel
chimique)
• L’ensemble NPT
– devient le plus commun pour les dynamiques moléculaires de systèmes protéiques
– nécessaire pour les simulations de lipides et de protéines membranaires
PF 02/2010
20
DM à température constante
) 3
2 ( 2
1
1
2
c b
Natoms
i
i i
kin k T N N
v m
E =
∑
= −=
Nc=3 si on contraint le moment linéaire total
(3N-Nc)= nb de degrés de liberté
• La temperature T est reliée à l’énergie cinétique Ekin du système et donc aux vitesses. D’après le théorème d’équipartition de l’énergie:
• La température peut être controlée en modifiant les vitesses vi des atomes et molécules du système, e.g.:
– Ajustement des vitesses : les vitesses sont ajustées de manière à avoir T=Tref à chaque pas
• Pas de fluctuations de température !
– Algorithme de Berendsen (“Weak coupling”) : les vitesses sont ajustées à un taux proportionnel à la différence de température
• Fluctuations de température, plus réaliste
• Autre algorithme: Nose-Hoover
PF 02/2010
Dynamique à T constante
Thermostat de Berendsen