Дело в химии. Как все устроено? - Джузеппе Алончи
Поэтому хороший химик должен быть готов решить на компьютере две задачи:
a) максимально упростить рассматриваемую систему и доказать, что упрощения не влияют слишком сильно на конечный результат;
б) создать алгоритмы, которые позволят компьютеру решить чрезвычайно сложные математические задачи в разумные сроки и не вовлекая все компьютеры НАСА в работу.
Эта задача настолько важна, что принесла Нобелевскую премию по химии 2013 года Мартину Карплусу, Майклу Левитту и Арье Уоршелу.
Эти трое ученых нашли способ сделать возможными как раз те самые симуляции на компьютере с помощью современных технологий: сочетая простоту метода, основанного на классической механике (метод молекулярной механики ММ, основанный на «простых» связях ньютоновской физики) с глубиной исследований, базирующихся на квантовой механике (QM).
В то время как первые работают с целыми атомами или группами атомов, квантовая механика «видит» также ядра и электроны. Поэтому очевидно, что метод ММ, несомненно, удобнее с точки зрения вычислительной мощности по сравнению с методом QM, поскольку не только сами уравнения проще, но и количество переменных существенно меньше.
Методы молекулярной механики ММ основаны на концепции потенциала. Как гравитационный потенциал описывает взаимодействие двух объектов, на которые действует сила гравитации, или электрический потенциал описывает взаимодействие двух или более зарядов, так же и молекулярный потенциал показывает, как атомы в молекуле притягиваются или отталкиваются. Представьте себе молекулу, состоящую из множества резиновых шариков (атомов), соединенных между собой пружинами (химическими связями): подобная модель, называемая гармонической, поможет проникнуть в природу проблемы. Для этого нужно найти способ понять, какая геометрия позволяет пружинам сохранять наименее напряженное (или сжатое) состояние, с учетом того, что каждый шарик занимает определенный объем и в одной и той же области пространства не могут находиться сразу несколько шариков.
Норман Аллинджер стал первым автором вычислительных программ, которые работали с классической динамикой (пружины) над минимизацией энергии молекулы. Его методы открыли пути изучения геометрии простейших органических молекул, позволили рассчитать наиболее стабильную конфигурацию с точки зрения величины углов и расстояний. Или, проще, позволили перейти от простой химической формулы к настоящей трехмерной геометрии молекулы.
В своей работе Аллинджер решал в основном две главные задачи:
a) формулировка уравнений, которые смогли бы математически выразить как взаимодействие атомов внутри молекулы, так и их взаимодействие с атомами молекулы соседней;
б) создание программного обеспечения, которое могло бы решать эти уравнения для всех исследуемых атомов и молекул.
Эти же задачи решали и Варшел и Левитт, которым удалось разработать еще один метод (метод CFF, Cosistent Force Field – метод согласованного силового поля), который позволяет минимизировать энергию крупных белковых молекул и тем самым предсказать теоретически их структуру.
Большим недостатком этого метода стало то, что, несмотря на потрясающие простоту и скорость расчетов, его можно было применять только к молекулам в состоянии покоя – он не годился для химических реакций, процесса взаимодействия с другими молекулами.
Это ограничение сильно тормозило исследования, ведь целью многих ученых было понимание механизма химической реакции.
Как же решить эту проблему? Наиболее подходящей стратегией, казалось бы, было не использовать единый подход к молекуле в целом и применить методы, основанные на классической динамике, только к отдельным ее частям, например, к той, что не вовлечена непосредственно в реакцию; а уравнения и алгоритмы квантовой механики оставить для реагирующих групп: идея, может быть, и очевидная, но не очень простая для воплощения на практике.
Прорыв произошел в 1970 году в Гарварде, когда к Мартину Карплусу, занимавшемуся моделированием процессов квантовой механики, присоединился Арье Уоршел. Вместе они попробовали соединить свои подходы, чтобы исследовать серию относительно простых молекул, участвующих в реализации функции зрения.
Эта первая работа легла в основу плодотворного сотрудничества, которое в последующие годы привело к революции в области вычислительной химии.
Одно из первых их исследований было посвящено структуре протеина под названием ингибитор трипсина поджелудочной железы быка (BPTI). Для изучения этого фермента они создали метод, упрощавший структуру аминокислот и их составляющих. Всякая аминокислота состоит из боковой цепи, своей собственной для каждой из двадцати аминокислот организма, и двух реакционно способных концов – то есть аминогруппы (-NH2) и карбоксильной группы (-COOH): они одинаковы для всех аминокислот и служат связующими звеньями для образования белков. Основная идея троих исследователей состояла в том, чтобы упростить латеральные цепи до одного большого тела, вроде «мяча», сделав возможным использование классической механики, а методами QM исследовать только непосредственные связи между аминокислотами. Таким образом удалось моделировать динамику «открытия и закрытия» ингибитора трипсина поджелудочной железы быка, то есть изменения его геометрии во время исполнения им его функций. Эта модель, опубликованная в журнале Nature в 1977 году, ознаменовала собой гигантский прорыв в теоретической химии.
Другой ключевой момент, которому трое ученых посвятили много сил, – признание важности электростатического взаимодействия между разными остатками аминокислот. Сегодня это стало само собой разумеющимся пунктом практически во всех учебниках по биохимии, то, что структура белка зависит еще и от величины электрического заряда аминокислот и того, как они притягиваются или отталкиваются между собой, но тогда эта концепция была отнюдь не банальной.
Каковы же перспективы вычислительной химии в современном мире и каковы ее новые цели? Сегодня самым первым этапом любых исследований в фармакологии служит силиконовая модель. Как только цель, которую вы хотите «поразить», сформулирована, сложное моделирование поможет понять, какая молекула может вступить в желаемую реакцию. Это немножко похоже на головоломку: у вас есть одна деталь – значит, благодаря моделированию можно попытаться понять, какой должны быть форма и свойства соседней детали. Эти данные позволяют существенно снизить количество молекул для проверки и тем самым сократить число животных и образцов тканей, время ожидания, затраты, сокращая время и сложность исследований.
В то же время понять, как действует белок, как он ведет себя в человеческом теле, изучить все детали механизма, посредством которого он действует, позволяет получить новые важные знания в областях, связанных с борьбой с опухолью или лечением тяжелых патологий, типа Альцгеймера, Паркинсона, хореи Хаттингтона или губчатой энцефалопатии крупного рогатого скота (знаменитое «коровье бешенство»). Все эти болезни возникают благодаря неправильному сворачиванию (misfolding)[52] белка.
