Simulation of small molecules, polymers, and proteins in dense solvents
is an important class of problems both for processing the materials in liquids
and for simulation of proteins in physiologically relevant solvent states.
However, these simulations are expensive and sampling is inefficient due
to the ubiquitous dense solvent. Even in the absence of the dense solvent,
rigorous sampling of the configurational space of chain molecules
and polypeptides with traditional Metropolis Monte-Carlo, or molecular dynamics
is difficult due to long time scales associated with equilibration. In
this paper we discuss a series of configurational-bias Monte-Carlo (CBMC)
simulations that use a rigorous molecular theory based implicit solvent to
achieve an efficient sampling of a chain molecule in a dense liquid solvent.
The molecular theory captures solvent packing around the chain molecule
as well as the energetic effects of solvent-polymer interactions. It also accounts
for entropic effects in the solvent.
Комп’ютерне моделювання малих молекул, полімерів та білків у густому розчиннику представляє важливий клас проблем як для процесів обробки матеріалів у рідинах, так і для моделювання білків
у фізіологічних розчинниках. Разом з тим, такі симуляції є досить
затратними, а вибірка простору не є ефективною через високу
густину розчинника. Навіть при відсутності густого розчинника
строга вибірка конфігураційного простору ланцюгових молекул і
поліпептидів у рамках традиційного Монте Карло по рецепту Метрополіса або молекулярної динаміки є проблематичною через
довгі часові масштаби, пов’язані з встановленням рівноваги. В
даній роботі ми обговорюємо кілька конфігураційно покращених
Монте Карло симуляцій, які використовують строгу молекулярну
теорію розчинника, щоб провести ефективну вибірку ланцюгових
молекул в густому рідкому розчиннику. Молекулярна теорія враховує упаковку розчинника навколо ланцюгової молекули, а також
енергетичні ефекти взаємодії розчинник-полімер. Враховуються також ентропійні ефекти в розчиннику.