2017: КАКОЙ НАУЧНЫЙ ТЕРМИН ИЛИ ПОНЯТИЕ ДОЛЖНЫ БЫТЬ БОЛЕЕ ШИРОКИМ ИЗВЕСТНЫМИ?
В физике детальное описание системы — это подробное описание ее микроскопического поведения. Грубое описание — это описание, в котором некоторые из этих мелких деталей сглажены.
Грубая зернистость лежит в основе второго закона термодинамики, согласно которому энтропия Вселенной возрастает. По мере увеличения энтропии или случайности происходит потеря структуры. Это просто означает, что некоторая информация, которую мы изначально имели о системе, стала бесполезной для предсказания поведения системы в целом. Чтобы сделать это более конкретным, подумайте о температуре.
Температура — это средняя скорость частиц в системе.
Температура — это грубое представление поведения всех частиц — частиц в совокупности. Когда мы знаем температуру, мы можем использовать ее для предсказания будущего состояния системы лучше, чем если бы мы действительно измеряли скорость отдельных частиц. Вот почему крупнозернистость так важна — она невероятно полезна. Это дает нам то, что называется эффективной теорией. Эффективная теория позволяет нам моделировать поведение системы без указания всех основных причин, которые приводят к изменениям состояния системы.
Важно признать, что важным свойством крупнозернистого описания является то, что оно «верно» для системы, что означает сокращение или упрощение фактических микроскопических деталей. Когда мы даем крупнозернистое описание, мы не вводим никакой внешней информации. Мы не добавляем ничего, чего еще нет в деталях. Это свойство «с потерями, но верное» является одним из факторов, отличающих грубую детализации от других типов абстракции.
Второе свойство грубой детализации заключается в том, что она включает в себя интегрирование поведения компонентов. Среднее значение является простым примером, но возможны и более сложные вычисления.
Обычно, когда мы говорим о грубой детализации, мы имеем в виду грубую детализацию, которую мы, ученые, накладываем на систему, чтобы найти компактные описания поведения системы, достаточные для хорошего прогноза. Другими словами, укрупнение помогает ученому выявить соответствующие закономерности для объяснения поведения системы.
Однако мы можем также спросить, как адаптивные системы выявляют (в процессе эволюции, развития или обучения) закономерности и строят эффективные теории для управления принятием решений и поведением. Грубая детализация — это один из механизмов вывода, который адаптивные системы могут использовать для построения эффективных теорий.
Чтобы отличить крупнозернистость в природе от крупнозернистости учеными, мы называем крупнозернистость в природе эндогенной крупнозернистостью.
Поскольку адаптивные системы являются несовершенными информационными процессорами, грубая детализация в природе вряд ли будет идеальным или «истинным» упрощением микроскопических деталей, поскольку это физический смысл. Также стоит отметить, что крупнозернистость в природе осложняется тем, что в адаптивных системах это часто коллективный процесс, выполняемый большим количеством полунезависимых компонентов. Один из многих интересных вопросов заключается в том, можно ли преодолеть субъективность и ошибки, присущие обработке биологической информации, посредством коллективного укрупнения.
На мой взгляд, два ключевых вопроса для биологии 21-го века заключаются в том, как грубая структура природы и как способность к грубой детализации влияет на качество эффективных теорий, которые адаптивные системы строят для предсказаний.
Ответы на эти вопросы могут помочь нам разобраться в некоторых традиционно довольно скользких философских вопросах. Среди них: является ли нисходящая причинность «реальной» и законоподобны ли биологические системы?
Основанная на физике крупнозернистая модель биомолекулярного фазового разделения с точностью, близкой к количественной
Хайман, А. А. и Саймонс, К. Помимо фазовых переходов нефти и воды в клетках. Наука 337 , 1047–1049 (2012).
Артикул
Google Scholar
Ли, П. и др. Фазовые переходы в сборке поливалентных сигнальных белков. Природа 483 , 336–340 (2012).
Артикул
Google Scholar
Альберти С. и Дорманн Д. Разделение фаз жидкость-жидкость при заболевании. год. Преподобный Жене. 53 , 171–194 (2019).
Артикул
Google Scholar
«>Martin, E.W. et al. Валентность и структура ароматических остатков определяют фазовое поведение прионоподобных доменов. Наука 367 , 694–699 (2020).
Артикул
Google Scholar
Чой, Дж.-М., Холехаус, А.С. и Паппу, Р.В. Физические принципы, лежащие в основе сложной биологии внутриклеточных фазовых переходов. год. Преподобный Биофиз. 49 , 107–133 (2020).
Артикул
Google Scholar
Фишер Р. С. и Эльбаум-Гарфинкл С. Настраиваемая многофазная динамика жидких конденсатов аргинина и лизина. Нац. коммун. 11 , 4628 (2020).
Артикул
Google Scholar
Krainer, G. et al. Возвратная жидкая конденсатная фаза белков стабилизируется за счет гидрофобных и неионных взаимодействий. Нац. коммун.
12 , 1085 (2021).
Артикул
Google Scholar
Harmon, T. S., Holehouse, A. S., Rosen, M. K. & Pappu, R. V. Внутренне неупорядоченные линкеры определяют взаимодействие между фазовым разделением и гелеобразованием в поливалентных белках. eLife 6 , e30294 (2017).
Артикул
Google Scholar
Чой, Дж. М., Дар, Ф. и Паппу, Р. В. ЛАССИ: модель решетки для моделирования фазовых переходов поливалентных белков. Вычисление PLoS. биол. 15 , e1007028 (2019).
Артикул
Google Scholar
Бремер, А. и др. Расшифровка того, как естественные особенности последовательности влияют на фазовое поведение неупорядоченных прионоподобных доменов. Препринт в bioRxiv https://doi.org/10.1101/2021.01.01.425046 (2021).
Ван, Дж. и др. Молекулярная грамматика, управляющая движущими силами фазового разделения прионоподобных РНК-связывающих белков. Cell 174 , 688–699 (2018).
Артикул
Google Scholar
Камар, С. и др. Фазовое разделение FUS модулируется молекулярным шапероном и метилированием катиона аргинина- π взаимодействий. Cell 173 , 720–734 (2018).
Артикул
Google Scholar
Вернон, Р. М. и др. Контакты π — π представляют собой упущенную из виду особенность белка, имеющую отношение к фазовому разделению. eLife 7 , e31486 (2018).
Артикул
Google Scholar
Brady, J. P. et al. Структурные и гидродинамические свойства внутренне неупорядоченной области специфического белка зародышевой клетки при фазовом разделении.
Проц. Натл акад. науч. США 114 , E8194–E8203 (2017 г.).
Артикул
Google Scholar
Dubreuil, B., Matalon, O. & Levy, E.D. Обилие белка изменяет аминокислотный состав неупорядоченных областей, чтобы свести к минимуму нефункциональные взаимодействия. Дж. Мол. биол. 431 , 4978–4992 (2019).
Артикул
Google Scholar
Fossat, M.J., Zeng, X. & Pappu, RV. Выявление различий в свободной энергии и структурах гидратации для модельных соединений, имитирующих заряженные боковые цепи аминокислот. J. Phys. хим. B 125 , 4148–4161 (2021).
Артикул
Google Scholar
Дайсон, Х.Дж., Райт, П.Е. и Шерага, Х.А. Роль гидрофобных взаимодействий в инициировании и распространении сворачивания белков. Проц.
Натл акад. науч. США 103 , 13057–13061 (2006 г.).
Артикул
Google Scholar
Эндрю, К.Д. и др. Стабилизация взаимодействий между ароматическими и основными боковыми цепями в α -спиральных пептидах и белках. Тирозин влияет на круговой дихроизм спирали. Дж. Ам. хим. соц. 124 , 12706–12714 (2002 г.).
Артикул
Google Scholar
Нойд, В. Г. Перспектива: крупнозернистые модели биомолекулярных систем. J. Chem. физ. 139 , 090901 (2013).
Артикул
Google Scholar
Хиллз, Р. Д., Лу, Л. и Вот, Г. А. Многомасштабное крупнозернистое представление белкового энергетического ландшафта. Вычисление PLoS. биол. 6 , e1000827 (2010 г.).
Артикул
MathSciNet
Google Scholar
«>Рафф, К. М., Хармон, Т. С. и Паппу, Р. В. CAMELOT: подход машинного обучения для крупнозернистого моделирования агрегации блок-сополимерных белковых последовательностей. J. Chem. физ. 143 , 243123 (2015).
Артикул
Google Scholar
Зенг, Х., Холехаус, А.С., Чилкоти, А., Миттаг, Т. и Паппу, Р.В. Соединение переходов клубок-глобула с полными фазовыми диаграммами для внутренне неупорядоченных белков. Биофиз. J. 119 , 402–418 (2020).
Артикул
Google Scholar
Latham, A. P. & Zhang, B. Постоянное силовое поле фиксирует фазовое разделение HP1 с гомологическим разрешением. J. Chem. Теория вычисл. 17 , 3134–3144 (2021).
Артикул
Google Scholar
Dannenhoffer-Lafage, T. & Best, R.
B. Шкала гидрофобности, основанная на данных, для прогнозирования фазового разделения белков жидкость-жидкость. J. Phys. хим. B 125 , 4046–4056 (2021).
Артикул
Google Scholar
Tesei, G., Schulze, T.K., Crehuet, R. & Lindorff-Larsen, K. Точная модель жидкофазного поведения внутренне неупорядоченных белков на основе оптимизации одноцепочечных свойств. Проц. Натл акад. науч. США 118 , e2111696118 (2021).
Артикул
Google Scholar
Диньон, Г. Л., Чжэн, В. В., Ким, Ю. К., Бест, Р. Б. и Миттал, Дж. Определение последовательности детерминант фазового поведения белка на основе крупнозернистой модели. Вычисление PLoS. биол. 14 , e1005941 (2018).
Артикул
Google Scholar
Реги, Р. М., Томпсон, Дж.
, Ким, Ю. К. и Миттал, Дж. Усовершенствованная крупнозернистая модель для изучения зависимого от последовательности фазового разделения неупорядоченных белков. Науки о белках. 30 , 1371–1379 (2021).
Артикул
Google Scholar
Соуза, П. С. Т. и др. Martini 3: силовое поле общего назначения для крупнозернистой молекулярной динамики. Нац. Методы 18 , 382–388 (2021).
Артикул
Google Scholar
Бенаяд, З., фон Бюлов, С., Стелзль, Л. С. и Хаммер, Г. Моделирование белковых конденсатов FUS с помощью адаптированной крупнозернистой модели. J. Chem. Теория вычисл. 17 , 525–537 (2021).
Артикул
Google Scholar
Рейт, Д., Пютц, М. и Мюллер-Плате, Ф. Получение эффективных мезомасштабных потенциалов из атомистического моделирования.
Дж. Вычисл. хим. 24 , 1624–1636 (2003).
Артикул
Google Scholar
ван Хоф, Б., Марквоорт, А. Дж., ван Сантен, Р. А. и Хильберс, П. А. Новый метод грубой детализации атомистического моделирования с использованием инверсии Больцмана. Биофиз. J. 100 , 309а (2011).
Артикул
Google Scholar
Эрколесси, Ф. и Адамс, Дж. Б. Межатомные потенциалы из расчетов из первых принципов: метод согласования сил. Еврофиз. лат. 26 , 583–588 (1994).
Артикул
Google Scholar
Лу, Л., Дама, Дж. Ф. и Вот, Г. А. Подбор крупнозернистых функций распределения с помощью итеративного метода согласования сил. J. Chem. физ. 139 , 121906 (2013).
Артикул
Google Scholar
«>Извеков С. и Вот Г. А. Многомасштабный крупнозернистый метод для биомолекулярных систем. J. Phys. хим. B 109 , 2469–2473 (2005).
Артикул
Google Scholar
Джонсон, М. Э., Хед-Гордон, Т. и Луис, А. А. Проблемы представимости для крупнозернистых водных потенциалов. J. Chem. физ. 126 , 144509 (2007 г.).
Артикул
Google Scholar
Рейнхардт А. и Ченг Б. Квантово-механическое исследование фазовой диаграммы воды. Нац. коммун. 12 , 588 (2021).
Артикул
Google Scholar
Wang, J. et al. Машинное обучение крупнозернистых силовых полей молекулярной динамики. АКЦ Цент. науч. 5 , 755–767 (2019).
Артикул
Google Scholar
«>Опиц А. Молекулярно-динамическое исследование свободной поверхности жидкого аргона. Физ. лат. А 47 , 439–440 (1974).
Артикул
Google Scholar
Ван Х., Рамирес-Хинестроса С., Добникар Дж. и Френкель Д. Потенциал Леннарда-Джонса: когда (не) его использовать. Физ. хим. хим. физ. 22 , 10624–10633 (2020).
Артикул
Google Scholar
Дас, С., Лин, Ю.-Х., Вернон, Р. М., Форман-Кей, Дж. Д. и Чан, Х. С. Сравнительная роль заряда, π и гидрофобных взаимодействий в зависимом от последовательности фазовом разделении внутренне неупорядоченные белки. Проц. Натл акад. науч. США 117 , 28795–28805 (2020 г.).
Артикул
Google Scholar
Ким, Ю. К. и Хаммер, Г. Крупнозернистые модели для моделирования мультибелковых комплексов: применение к связыванию убиквитина.
Дж. Мол. биол. 375 , 1416–1433 (2008 г.).
Артикул
Google Scholar
Капча, Л. Х. и Росски, П. Дж. Простая шкала гидрофобности на атомном уровне позволяет выявить межфазную структуру белка. Дж. Мол. биол. 426 , 484–498 (2014).
Артикул
Google Scholar
Li, H., Tang, C. & Wingreen, N. S. Природа движущей силы сворачивания белка: результат анализа статистического потенциала. Физ. Преподобный Летт. 79 , 765–768 (1997).
Артикул
Google Scholar
Urry, D.W. et al. Шкала гидрофобности белков, основанная на обратных температурных переходах. Биополимеры 32 , 1243–1250 (1992).
Артикул
Google Scholar
«>Техедор, А. Р., Гарайзар, А., Рамирес, Дж. и Эспиноса, Дж. Р. Двойная РНК-модуляция подвижности и стабильности белков в фазово-разделенных конденсатах. Препринт в bioRxiv https://doi.org/10.1101/2021.03.05.434111 (2021).
Лин Ю.-Х. & Chan, HS. Разделение фаз и одноцепочечная компактность заряженных неупорядоченных белков сильно коррелируют. Биофиз. J. 112 , 2043–2046 (2017).
Артикул
Google Scholar
Riback, J.A. et al. Разделение фаз, вызванное стрессом, является адаптивной, эволюционно настроенной реакцией. Cell 168 , 1028–1040 (2017).
Артикул
Google Scholar
Диньон, Г. Л., Чжэн, В., Бест, Р. Б., Ким, Ю. К. и Миттал, Дж. Связь между свойствами одиночных молекул и фазовым поведением внутренне неупорядоченных белков. Проц.
Натл акад. науч. США 115 , 9929–9934 (2018 г.).
Артикул
Google Scholar
Фаре, К.М., Виллани, А., Дрейк, Л.Е. и Шортер, Дж. Организация биомолекулярных конденсатов более высокого порядка. Открытый биол. 11 , 210137 (2021).
Артикул
Google Scholar
Regy, R. M., Dignon, G. L., Zheng, W., Kim, Y. C. & Mittal, J. Зависимое от последовательности фазовое разделение белково-полинуклеотидных смесей, выясненное с помощью молекулярного моделирования. Рез. нуклеиновых кислот. 48 , 12593–12603 (2020).
Артикул
Google Scholar
Чой, Дж.-М., Хайман, А.А. и Паппу, Р.В. Обобщенные модели перколяционных переходов связей ассоциативных полимеров. Физ. Ред. E 102 , 042403 (2020 г.).
Артикул
Google Scholar
Zeng, X. et al. Дизайн внутренне неупорядоченных белков, которые претерпевают фазовые переходы при более низких критических температурах раствора. АПЛ Матер. 9 , 021119 (2021).
Артикул
Google Scholar
Банерджи, П.Р., Милин, А.Н., Муса, М.М., Онучич, П.Л. и Дениз, А.А. Реентерабельный фазовый переход управляет формированием динамической субструктуры в каплях рибонуклеопротеина. Анжю. хим. Междунар. Эд. 56 , 11354–11359 (2017).
Артикул
Google Scholar
Alshareedah, I. et al. Взаимодействие между ближним притяжением и дальним отталкиванием контролирует возвратную жидкую конденсацию комплексов рибонуклеопротеин-РНК. Дж. Ам. хим. соц. 141 , 14593–14602 (2019).
Артикул
Google Scholar
Диньон, Г. Л., Чжэн, В., Ким, Ю. К. и Миттал, Дж. Разделение неупорядоченных белков в жидкой фазе при контролируемой температуре. АКЦ Цент. науч. 5 , 821–830 (2019).
Артикул
Google Scholar
Бест, Р. Б., Чжэн, В. и Миттал, Дж. Сбалансированное взаимодействие белок-вода улучшает свойства неупорядоченных белков и неспецифическую ассоциацию белков. J. Chem. Теория вычисл. 10 , 5113–5124 (2014).
Артикул
Google Scholar
Бенавидес, А.Л., Арагонес, Дж.Л. и Вега, К. Консенсус относительно растворимости NaCl в воде на основе компьютерного моделирования с использованием метода химического потенциала. J. Chem. физ. 144 , 124504 (2016).
Артикул
Google Scholar
«>Liu, H., Fu, H., Shao, X., Cai, W. & Chipot, C. Точное описание взаимодействий катион- π в белках с неполяризуемым силовым полем без дополнительных затрат. J. Chem. Теория вычисл. 16 , 6397–6407 (2020).
Артикул
Google Scholar
Палони, М., Байи, Р., Чандрини, Л. и Бардуччи, А. Распутывание молекулярных взаимодействий при разделении фаз жидкость-жидкость неупорядоченных белков с помощью атомистического моделирования. J. Phys. хим. B 124 , 9009–9016 (2020).
Артикул
Google Scholar
Вессен Дж., Пал Т., Дас С., Лин Ю.-Х. и Чан, Х. С. Простая модель поведения полиамфолитной фазы с явным растворителем и ее разветвления для диэлектрических эффектов в биомолекулярных конденсатах. J. Phys. хим. B 125 , 4337–4358 (2021).
Артикул
Google Scholar
«>Холкомб, К.Д., Клэнси, П. и Золлвег, Дж.А. Критическое исследование моделирования границы раздела жидкость-пар жидкости Леннарда-Джонса. Мол. физ. 78 , 437–459 (1993).
Артикул
Google Scholar
Рейнхардт, А. Фазовое поведение эмпирических потенциалов диоксида титана. J. Chem. физ. 151 , 064505 (2019).
Артикул
Google Scholar
Галливан, Дж. П. и Догерти, Д. А. Катион- π взаимодействия в структурной биологии. Проц. Натл акад. науч. США 96 , 9459–9464 (1999).
Артикул
Google Scholar
Song, J., Ng, S.C., Tompa, P., Lee, K.A.W. & Chan, H.S. Polycation- 9Взаимодействия 0025 π являются движущей силой молекулярного распознавания семейством внутренне неупорядоченных онкобелков.
Вычисление PLoS. биол. 9 , e1003239 (2013).
Артикул
Google Scholar
Auton, M. & Bolen, D.W. Применение модели переноса для понимания того, как встречающиеся в природе осмолиты влияют на стабильность белков. Методы Фермент. 428 , 397–418 (2007).
Артикул
Google Scholar
Кумар, К. и др. Взаимодействия катион- π в связывании белок-лиганд: теория и анализ данных показывают различную роль лизина и аргинина. Хим. науч. 9 , 2655–2665 (2018).
Артикул
Google Scholar
Чапела, Г. А., Сэвилл, Г., Томпсон, С. М. и Роулинсон, Дж. С. Компьютерное моделирование поверхности газ-жидкость. Часть 1. J. Chem. соц. Фарадей Транс. 2 73 , 1133–1144 (1977).
Артикул
Google Scholar
