Fa uldade de Filosoa, Ciên ias e Letras de Ribeirão
Preto, Departamento de Físi a e Matemáti a
SIMULAÇÕES MICROCANÔNICAS DE
PROTEÍNAS
Rafael Bertolini Frigori
Teseapresentadaà Fa uldade
deFilosoa, Ciên iase Letras
deRibeirão Pretoda USP,
omopartedasexigên ias para
aobtenção dotítulo deDoutor
emCiên ias: Físi a Apli ada à
Medi ina eBiologia.
Orientador:
Prof. Dr. NelsonA. Alves
Livros Grátis
http://www.livrosgratis.com.br
Wenn Sie mi h na h meiner innersten Uberzeugung fragen ob
man unser (das 19.) Jahrhundert einmal das eiserne Jahrhundert
oder das Jahrhundert des Dampfes oder der Elektrizität nennen
wird, soantworte a i h ohne Bedenken, das Jahrhundert der
me ha-nis hen Naturauassung, das Jahrhundert Darwins wird es heiÿen
[L. Boltzmann, Populäre S hriften, 1886℄ 1
1
Sevo êperguntarsobreminhamaisprofunda onvi çãosenossosé ulo(XIX)será hamado
deosé ulo doferroouosé ulodovaporouodaeletri idade, respondereisemhesitação: ele
Atodosos olegas,amigosefamiliaresquede algummodo olaboraramparaosu esso
dessa minha nova empreitada. E emparti ular:
A Deus pelagênesedeste pequeno Universo quetanto nos fas ina investigar;
Ao Prof. Nelson, não só pelos bons exemplos, pa iên ia e dedi ação à orientação deste
doutorado mas tambémpelaamizadee ompreensãonos momentosmais difí eis;
Aoamigo LeandroG. Rizzipelo ompanherismo evalorosapar eria ientí a;
Aos fun ionáriose professores doDFM/FFCLRP/USP por ultivarem um ambiente
a o-lhedor epropí io àpesquisa ientí a;
Aos velhos amigos Fábio V. Boas, Felipe L. S anavini, Guilherme C.P. Inno entini e
Tiago M. Fran oy; por vezes distantes, mas sempre presentes;
Aos olegas e amigos do departamento: André S.C. Peres, Aquino L. Espindola, Ariadne
de A. Costa, Brenno T. Cabella, César A.S. Terçariol, Denise de Arruda, Diogo Porfírio,
Ebenézer S.Caval anti,FabianoL.Ribeiro,Fernanda M. Oliveira, Guidolins(LeilaB.M-.
& Luis C.B.M-.), Ja yana S.M. Fonse a, Juliana M.S. Berbert, Lindomar S.Santos, Luis
A.Cabral,Mar eloA.Pereira,MatheusR.Mendonça,MatheusS.deMoura,Natália
Des-tefano, Olavo H. Menin, Raimundo N.A. Costa, Rodrigo S. Gonzalez, Tiago J. Arruda e
Wilni e T.R. Oliveirapelos bons momentos ompartilhados;
À Ana Boneurpelo arinho eapoiodurantea on lusão desta tese;
Aopessoalda UTFPR-Toledo pela a olhidanaminha nova asa;
Aopovobrasileiro,que por meio daCAPES nan iou a exe ução deste trabalho;
À Carla B.F.Junqueira e aoOlavoG. Junqueirapelaamizadee in entivo;
... I re ognize that manyphysi ists are smarter than I am most of them
theoreti alphysi ists. A lot of smart people have gone into theoreti alphysi s,
therefore the eldis extremely ompetitive. I onsole myself with the thought
that although they may be smarter and maybe deeper thinkers than I am, I
have broader interests than they have ...
[Linus Pauling,TheMeaning ofLife, 1990℄
À memóriade Mar o Alberto Perez
†
Resumo
Transições de fase termodinâmi as são usualmente estudadas por meio do ensemble
anni o e estão asso iadas a sistemas ma ros ópi os. Entretanto, tem-se tornado ada
vez mais frequente e importante o estudo de sistemas físi os pequenos, ujos al an es
ara terísti os das interações equivalem aos tamanhos dos sistemas. Nestes asos não há
sentido em falar de limite termodinâmi o. Assim, relações de es ala de tamanho nito,
desenvolvidas para a obtenção de grandezas físi as no limite termodinâmi o, não podem
serapli adas. En ontramosinúmerosexemplosdestessistemasemdiversasáreasdaFísi a.
Naáreadematéria ondensadatemos,porexemplo,omodeloBlume-Capel ominterações
de al an einnito. Neste modeloassoluções anni a emi ro anni asão inequivalentes,
uma ara terísti a omum asistemaspequenos. Estemodeloéinvestigadonestatese por
meiode umensembleinterpolante, onhe ido omogaussianoestendido, omouma
apli a-ção teóri a preliminar. Adi ionalmente, empregamos este ar abouço me âni o-estatísti o
noestudode ertasbiomolé ulas omamplaimportân iabiológi a: proteínas. Atualmente
oestudodo omportamentotermodinâmi odestas molé ulastem adorestritoquase que
ex lusivamente a abordagem via ensemble anni o. Neste trabalho tambémanalisamos,
via simulações mi ro anni as, os aspe tos físi os de biomolé ulas omo os domínios Sr
SH3(pdb: 1NLO)easPríonshumanas(pdb: 1HJM).Cara terizarmosassimastransições
de fasede enovelamento ede agregação. Os resultados obtidos são interpretados à luzda
Abstra t
Thermodynami phase transitions are usualy studied by the anoni al ensemble and
they are asso iated to ma ros opi systems. However, it is be oming more frequent and
important the study of small physi al systems: whose hara teristi intera tion-lengths
are equivalent to system sizes. In these ases it is meaningless tospeak of the
thermody-nami limit. Thus, nite-size-s aling relations devised to obtain physi al observables at
the thermodynami limit an not be employed. There are inumerous examples of that
systems invarious areas of physi s. In the eld of ondensed matterthere is for instan e
theBlumeCapelmodelwithinnite-rangeintera tions. The anoni alandmi ro anoni al
solutions of this model are inequivalent, a usual hara teristi of small systems. That
model is investigated on this thesis through an interpolating ensemble, know as the
ex-tended gaussian, as a preliminartheoreti al appli ation. Additionally, we have employed
the statisti -me hani alframeworktostudy some biomole ulesoflarge biologi alinterest:
proteins. Nowadays the study of the thermodynami behavior of that mole ules has been
restri tedalmostonlytothe anoni alapproa h. However,inthisworkwehavealso
analy-sed, bymi ro anoni alsimulations,thephysi alaspe tsofbiomole ulesasthedomainSr
SH3(pdb: 1NLO) andthe human Prions(pdb: 1HJM).Thus, we hara terizetheirphase
transitions of folding and aggregation. The results obtained are interpretated under the
light of the mi ro anoni al thermostatisti s, oering an alternative phenomenologi al
2.1 Esquerda: situaçãoque exempli a uma entropia n ava, i.e., fase úni a.
Di-reita: ilustração de um intruso onvexo na entropia, omo o que o orre nas
transiçõesde primeiraordem;aquios dois pontos-de-sela orrespondema duas
fases distintas. Adaptado dareferên ia [2℄. . . 20
4.1 Estrutura geralde um aminoá ido, omo arbono alfa
C
α
desta ado ao entro, o grupo amina(NH
2
)
à esquerda, o arboxila(CO
2
H)
à direita e a adeia lateral R abaixo. . . 344.2 Estrutura quími a, nomen latura, abreviação om ódigo de 3 letras e
lassi- ação quanto ahidrofobi idade dos 20aminoá idos primários. . . 35
4.3 Formação de um dímero (dipeptídeo) pela ondensação de aminoá idos. . . 36
4.4 Hierarquia de estruturas em proteínas. (a) Primária: om abreviações de uma
letra. (b)Se undária: (1) héli ealfae(2)tabeta. ( ) Ter iária: asso iaçãode
motivos enovelados, (d) Quaternária: união de adeiaspeptídi asmonoméri as. 37
4.5 Estrutura se undária: arranjoespa ialtípi odeumahéli ealfa,noteas adeias
laterais externas aoeixode simetriaea frequên ia espa ialde 3,6resíduos por
volta[22℄. . . 38
4.6 Estrutura se undária: onformação usuais de folhas beta, notam-se astas
ori-entadas antiparalelas(superior) e paralelas(inferior), além das terminações N
e C. . . 39
4.7 O perl da energia livre (energy lands ape) em formato de funil é um modelo
a eito para a des rição do enovelamento protéi o. Os estados 11, 12, 13 são
intermediáriosenquantoF éaestrutura protéi anativa,oude menorenergia
livre. As rotas preferen iais são representadas por setas. . . 41
4.8 Proteínas envolvidas na formação de agregados. Superior à esquerda:
Alfa-Sinu leina, asso iada ao mal de Parkinson. Superior à direita: Amilina, uja
formação deagregados o orre naDiabetes doTipoII. Inferioràesquerda:
pro-teína pre ursora do Amiloide-Beta
(Aβ) ,
agregados deAβ
o asionamo malde Alzheimer. Inferior à direita: domínio Sr SH3, asso iado à transdução desinais, não patológi a. Adaptado doprotein data bank (PDB). . . 43
4.9 Modelo de brilas amilóides, ri as em formações de tas beta omo as héli es
4.10 Representação esquemáti a dos possíveis estados onforma ionais assumidos
por adeias peptídi ase suas inter onversões usuais. Adaptado da Ref. [32℄. . 45
4.11 ConguraçõesassumidasporPríons: aformausual
P rP
C
representadapor(A);
eapatogêni a
P rP
sc
asso iadaaosmalesdeCreutzfeld-Ja kobeàEn efalopaia
Espongiforme ilustradaem (B). . . 46
4.12 Representaçãoesquemáti adeumúni opeptídionomodeloAB om
N
resíduos [45,64,86℄. Notearepresentaçãoda adeiaprin ipaldos arbonosalfa(esferas),assim omo seus
2N
graus de liberdadede rotação (i.e. ângulosdiedrais). . . . 49 5.1 Comportamentono limite mi ro anni o da solução domodelo BC viaforma-lismo EGE, om a oplamento
∆/J = 0.462407,
orrespondendo à região de transição de fase primeiraordem anni a e de segunda ordem mi ro anni a.(a)
Temperatura mi ro anni a omo função da energiamédiaε
. A linha tra- ejada horizontal orresponde à temperatura ríti a anni a.(b)
A entropia deslo adas(ε) = s
˜
micro
(ε)
− (A + Bε),
omA = 0.401447
eB = 1.398397.
A subtração é efetuada para uma melhor visualização da não on avidade daentropia em relação a função linear ligando
s(ε
a
)
as(ε
b
),
omε
a
= 0.328959
eε
b
= 0.330646
.(c)
Calor espe í oc(ε)
. Ele apresenta dois polos lo alizados pelos zeros do determinanted
S
micro
(ε, m)
, ondem
denota os valores damag-netização que maximizam a entropia em dado
ε
. Esses pólos também podem ser observados apartirdo omportamentodeT (ε)
em(a)
.(d)
Sus eptibilidade magnéti aχ(ε)
. Elaapresentadoispolos, novamenteposi ionadosnos zerosdo determinanted
S
micro
(ε, m)
e torna-se negativa entre eles.(e)
Comportamentodo determinante
d
S
micro
(ε, m)
omo função deε
. As linhas tra ejadas verti aismostram oszeros de
d
S
micro
(ε, m)
. . . 565.2 Entropia
s(ε, m)
para alguns valores deε
em
om∆/J = 0.462407
. Para val-ores inferioresdaenergiaε
, algunsintervalosdamagnetização são ina essíveis; o que demonstra quebra de ergodi idade neste modelo. Domínios magnéti osdes onexos pare em ser típi os de sistemas om interações de longo al an e,
exibindo transições de fase ( anni a) de primeiraordem. . . 57
5.3 Curva alóri a
T (ε)
× ε
omputadas para diversos valores deγ
a partir da solução geral do modelo Blume-Capel no EGE. O a oplamento empregado é∆/J = 0.462407
e no limite deγ
→ ∞
reobtemos a urva mi ro anni a(a)
da Figura(5.1). . . 585.4 Valores mínimos que o parâmetro
γ,
e
al ulado segundo a Eq. (5.19), deve assumir para que a termodinâmi a deduzida via EGE para o modelo5.5 (A) Temperaturas EGE obtidas no limite anni o (
γ = 0
) para alguns va-lores de∆/J.
Para(∆/J = 0.462098)
temos simultaneamente transições de fase anni a e mi ro anni a de segunda ordem. Quando(∆/J = 0.4622)
e(∆/J = 0.4623)
as transições de fase anni as são de primeiraordem, mas as mi ro anni as sãode segunda ordem. (B)Temperaturas EGEnolimitean-ni o (
γ = 0
), todos os valores de∆/J
estão na regiãode transição de primeira ordem anni a e mi ro anni a. (C) Temperaturas omputadas via EGE nolimite mi ro anni o
(γ ∼
= 10
12
) ,
para
(∆/J = 0.4622)
e(∆/J = 0.4623)
em que o orrem transições de fase mi ro anni as de segunda ordem e anni asde primeiraordem. (D)Temperaturas EGEnolimitemi ro anni o
(γ ∼
= 10
12
)
na região de a oplamentos
(∆/J = 0.4625)
e(∆/J = 0.4627) ,
ujas transição de fasesão de primeiraordem. . . 595.6 Na gura maior, à esquerda temos linhas de transição de fase anni as. A
linha ríti a ( inzapontilhado)terminano pontotri ríti o anni o
•
,a partir do qual a transição torna-se de primeiraordem (linha heia). A gura menoré uma ampliação que mostra a linha ( heia) da transição de fase de primeira
ordem anni a e aslinhas (ponto-tra ejadas) datransição de fase de primeira
ordemmi ro anni a. Naguraàdireitatemosumarepresentaçãoesquemáti a
do diagrama de fase do modelo Blume-Capel, ampliado ao redor dos Pontos
Tri ríti oCanni o(CTP)eMi ro anni o(MTP).Alinhadetransiçãodefase
de segunda ordem( omum a ambos ensembles) é pontilhada; alinha anni a
de primeiraordemé heia easlinhasmi ro anni astra ejadassão desegunda
ordem emnegrito ede primeiraordem em inza. Adaptado dareferên ia[10℄. 61
5.7 Valormínimodoparâmetrointerpolante
γ
paraqueasoluçãoEGEseja termo-dinami amenteequivalenteàmi ro anni aentre ospontostri ríti os anni o(∆/J ∼
= 0.4621)
e mi ro anni o(∆/J ∼
= 0.4624)
. . . 61 6.1 Esquema da atualização de Monte Carlo empregada em nossos estudos. Umaproteína posi ionada a distân ia
~
R
da origem om ângulo polar
”a”
e equa-torial”b”
é atualizada para outra posiçãoR
~
→ ~
R
′
:
{|R
′
| , a
′
, b
′
} .
Por outro
lado, simultaneamente a posição relativa de ada um dos
(N + 1)
-ésimos ami-noá idos em relação aosN
-ésimos aminoá idos é alterada de modo que~r
→ ~r
′
= ~r + ~
dr.
. . . 63
6.2 Estrutura nativa de ba kbone de sequên ias Fibona i. (Painel esquerdo)
on-guração om energia mínima,
E
1
×F ibo.
=
−5, 75
e△E = 0, 1
para a sequên ia arti ial om 13 resíduosF ibonacci
13
:
"ABBABBABABBAB". (Painel direito) on-guração de energia mínima para a estrutura agregadaE
2×F ibo.
=
−29, 15
e6.3 Termodinâmi a mi ro anni a para uma úni a sequên ia Fibona i. (Painel
superior): urva alóri a
β (E)
× E,
barrasde erro orrespondemaodesvio pa-drão de 50 onjuntos de parâmetros MUCA. As linhas ontínuas são obtidaspelaapli açãore ursivade
k
ltragensdotipomédiamóvelde10pontos. (Pai-nel entral): ál ulodaderivadada urvainterpolante(vermelha)deβ (E)
×E,
ou sejadβ(E)
dE
× E.
(Painel inferior): alor espe í o mi ro anni o do sistema, nota-se que o orre um pi o positivo ara terizando uma transição de faseon-tínua, oude segunda ordem,asso iada aoenovelamento. . . 66
6.4 Termodinâmi a mi ro anni a para duas sequên ias Fibona i interagentes.
(Painel superior): urva alóri a
β (E)
× E,
barras de erro orrespondem ao desvio padrão de 50 onjuntos de parâmetros MUCA. As linhas ontínuas sãoobtidas pelaapli açãore ursiva de
k
ltragens dotipomédiamóvelde 10 pon-tos. (Painel entral): ál ulo daderivada da urva interpolante (vermelha) deβ (E)
×E,
ousejadβ(E)
dE
×E.
(Painelinferior): alorespe í omi ro anni odo sistema, nota-se uma transição de fase de primeira ordem(de agregação), omalores espe í os negativos. Os pequenos pi os positivos assinalamformação
de domínios ou enovelamento. . . 67
6.5 Estrutura nativa de ba kbone para domínios Sr SH3 om 56 resíduos e
ó-digo 1NLOnoProteinDataBank(PDB). Foimapeadanomodelo ABsegundo
sua naturezahidrofóbi a/polar,resultandonasequên ia
SH3
56/AB
:
"BAABABBB-BAABBBBAAABBABAABAABBBBABAAABBAABBABBABABABBABBA". (Painel esquerdo):onguração nativa, ou om energia mínima
E
1
×SH3
=
−41, 48
e△E = 1, 0
para a uma úni a sequên ia Sr SH3. (Painel direito): onguração deener-gia mínima om
E
2
×SH3
=
−29, 15
e△E = 1, 0
da forma agregada de dois peptídeosSH3
56/AB
interagentes. . . 70 6.6 Termodinâmi a mi ro anni a para um úni o domínio Sr SH3. (Painelsupe-rior): urva alóri a
β (E)
× E,
barras de erro orrespondem ao desvio padrão de 54 onjuntos de parâmetros MUCA. As linhas ontínuas são obtidas porapli ações re ursivas de ltros de média móvel de 5 pontos. (Painel entral):
ál ulo da derivada de
β (E)
× E,
ou sejadβ(E)
dE
× E.
(Painel inferior): alor espe í o mi ro anni o do sistema, nota-se que o orrem dois pi os positivosindi ando transiçõesde fase ontínuas (ou de segunda ordem). Biologi amente
assinalariamoenovelamento(pi omenor)eformaçãode estruturasse undárias
(pi o maior). . . 71
6.7 Termodinâmi ami ro anni aparadoisdomíniosSr SH3interagentes. (Painel
Superior): urva alóri a
β (E)
× E,
barrasvemdodesvio padrãode 26 onjun-tos de parâmetros MUCA. Linhas azul/vermelho emergem de 1 a 7 ltragensre ursivas de médias móveis (de 5 pontos). (Painel Central): é a derivada da
urvainterpolante(vermelha) de
β (E)
× E,
ousejadβ(E)
dE
× E.
(PainelInferior): alor espe í o mi ro anni o do sistema (ltro 7x5). Há uma transição deprimeira ordem ( anni a, de agregação), om alores espe í os
6.8 Estrutura de ba kbone de príons humanas om 104 resíduos e ódigo 1HJM no
Protein Data Bank (PDB). Foi mapeada nomodelo AB segundo sua natureza
hidrofóbi a/polar,resultandonasequên ia
P rion
104/AB
:
AAABAAAABAAABAABAAA BBBBABBABBABABBBBABBABABBBABBBBAABBAABABABBBBABBBBBABBABBBBABAABAAAB-BAAABBBBABAB.(Painelesquerdo): onguraçãonativa,ou omenergiamínima,
E =
−8, 35
e△E = 1, 0
paraasequên iaP rion
104/AB
. (Paineldireito): ongu-raçãodeenergiamínima,ditanaformaagregadaoudimerizada, omE = 12, 59
e△E = 1, 0
para dois peptídeosP rion
104/AB
interagentes. . . 74 6.9 Termodinâmi a mi ro anni a para uma proteína 1HJM, a Príon humana.(Painel superior): urva alóri a
β (E)
× E,
barras de erro orrespondem ao desvio padrão de 22 onjuntos de parâmetros MUCA. As linhas ontínuas sãoobtidas por ltragens re ursivas do tipo média móvel de 5 pontos. (Painel
entral): ál ulo da derivada de urvas interpolantes de
β (E)
× E,
ou sejadβ(E)
dE
× E.
(Painel inferior): alor espe í o mi ro anni o dosistema, nota-se que o orre um úni o pi o positivo (estável), ara terizando uma transição defase ontínua(oudesegunda ordem),asso iadaaoenovelamentosemformação
de intermediários: um fenmeno já observado in vitro [72, 73℄.. . . 75
6.10 Termodinâmi ami ro anni a paraduas proteínas1HJM, ouPríonshumanas.
(Painelsuperior): urva alóri a
β (E)
× E,
barrasde erro são odesvio padrão de 10 onjuntos de parâmetrosMUCA.Linhas emverde/vermelho emergemde1 a 10ltragens re ursivas de médias móveis (de 5 pontos). (Painel entral): é
a derivada da urva interpolante (vermelha) de
β (E)
× E,
ou sejadβ(E)
dE
× E.
(Painel inferior): alor espe í o mi ro anni o do sistema (ltro 10x5). Há
apenas umatransição de primeiraordem( anni a,de agregação), om alores
espe í os negativos. Nenhuma outra transição de fase (e.g. ontínua) foi
observada, apesar de grandes esforços omputa ionais. . . 76
7.1 O grá o a ima mostra um onjunto de dados (100 pontos, em preto) e suas
médiasmóveis omtamanhosdiferentes[5℄. Temosrespe tivamenteasseguintes
urvas: 2-pontos (vermelha), 4-pontos (amarela), 6-pontos (verde) e 8-pontos
(azul). Noteque essas urvasatuam ltrandoo ruído dos dados puros. . . 83
7.2 Esquematermodinâmi outilizadonadeduçãodoensemble anni o. Osistema
1 está a oplado energeti amente a um reservatório térmi o, dito sistema 2,
ambos estão à mesma temperatura de equilíbrio
T
e são isolados do resto do Universo. . . 85Lista de Figuras 7
Conteúdo 12
1 Introdução 14
2 Termoestatísti a mi ro anni a 17
2.1 Oensemble mi ro anni o . . . 18
2.2 Transições de fase mi ro anni as . . . 19
2.3 Ensembles generalizados . . . 21
2.3.1 Oensemblemulti anni o . . . 22
2.3.2 Oensemblegaussiano estendido . . . 24
3 Simulações 26 3.1 Métodos de Monte Carlo markovianos. . . 27
3.1.1 Oalgoritmode Metropolis . . . 28 3.1.2 Erros numéri os . . . 29 3.2 Simulações mi ro anni as . . . 30 3.2.1 Relaçõesde re orrên ia . . . 31 3.2.2 Implementação alternativa . . . 32 4 Proteínas e o modelo AB 33 4.1 Proteínasin vitro e in vivo: um panorama . . . 36
4.1.1 Estrutura . . . 37
4.1.2 Fun ionalidades . . . 40
4.1.3 Enovelamentoprotéi o . . . 40
4.2 Agregaçãoprotéi ae proteinopatias . . . 42
4.3 Proteínasin sili o . . . 47
4.3.1 Omodelo AB oarse-grained . . . 48
5 Resultados exatos: modelo de spin 50 5.1 Omodelo Blume-Capelnoensemble gaussiano estendido . . . 50
5.1.1 Um exemplode sistemaspequenos . . . 51
5.3 Limitestermodinâmi os: inequivalên ia de ensembles . . . 53
5.4 Pontos tri ríti os . . . 60
6 Resultados numéri os: proteínas 62 6.1 Implementação omputa ional . . . 62 6.2 Enovelamentoe agregação . . . 63 6.2.1 Sequên ias Fibona i . . . 64 6.2.2 Domínios Sr SH3. . . 65 6.2.3 Príons humanas . . . 69 7 Considerações nais 77 Apêndi es 80 Bibliograa 87
Introdução
... What an organism feeds upon is negative entropy. Or to put it less
pa-radoxi ally, the essential thing in metabolism is that the organism su eeds in
freeing itself from all the entropy it annothelp produ ing while alive ...
[E. S hrödinger, Whatis life?,1944℄
A me âni a estatísti a mi ro anni a, omo formulada por Ludwig Boltzmann [1, 2℄,
onstitui um dos prin ipaispilares damoderna abordagem físi apara sistemas de muitos
orpos. Originalmente on ebida om o intuito de al ançar uma expli ação mi ros ópi a,
ou inéti a,datermodinâmi adosgases,elapermitiudeduziraexistên iade átomos
dé a-das antes dasua observação experimental. Aqui, a entropia apare e omo on eito have
que one ta, via teoria dos ensembles, as ongura ões mi ros ópi as de um sistema om
seu omportamento ma ros ópi o. Por sua vez, o limite termodinâmi o que assegura a
existên iadesta onexão mi ro
↔
ma ro,assenta-se sobreo on eitofundamentalde exten-sividade daenergia eda entropia.Contrárioaosenso omum,olimite termodinâmi o[3℄nãoéimpres indívelàdenição
da me âni a estatísti a mi ro anni a ou à des rição de transições de fase [4, 5℄. Este
pre on eito onsolidou-se om o uso de ensembles derivados do mi ro anni o, omo o
anni o e o grande anni o, ujas formulaçõesne essitam ta itamente do limite
termo-dinâmi o[5℄. Comoaabordagemmi ro anni abaseia-senaexata ontagemde
mi roesta-dos,elaéidealaosestudodesistemaspequenos [2,6,7℄. Otermopequenos designaaqui
sistemas que interagem via forças de longo al an e e, ou tem pou os graus de liberdade.
Dentreosquaisen ontram-seossistemasgravita ionais[8℄,despin[9,10,11,12,13,14,15℄,
plasmas [16, 17, 18, 19, 20,21℄e biomole ulares omo asproteínas.
Proteínas [22, 23℄são heteropolímerosde elevada massa mole ular, ompostas porum
grande número de aminoá idos de até 20 diferentes tipos [23, 24℄. Dentre as prin ipais
funções protéi as, que apresentam alta espe i idade em sistemas biológi os vivos, estão
a estrutural e a metabóli a. Essas ara terísti as devem-se em grande parte à estrutura
geométri a tridimensional,também hamadade ter iária,que ara teriza ada proteína e
aminoá idosemsua estrutura nativadenomina-seenovelamento(no inglês, folding). Suas
origens físi as estão nas omplexas interações atmi as, que produzem pers de energias
livresrugososeafunilados[25℄. Atualmente,poten iaisinteratmi os[26,27,28,29℄de
ori-gem elétromagnéti a[30℄já onseguemreproduzir ertasestruturas nativasviasimulações
ab initio.
Sabemos aindaque emdeterminadosmomentosda síntese protéi a[22℄ podemo orrer
defeitos onforma ionais(misfoldings)quedegradamfun ionalmenteasproteínasafetadas.
Esses asos isoladospodem repetir-se originandoagregados protéi os [31, 32, 33℄ri os em
héli es beta- ruzadas. Este tipo de estrutura é onhe ida por sua tena idade ehabilidade
em induzirdoenças degenerativas. Dentre essas doenças estão as neurodegenerativas, um
termo quedesigna perda progressivade estruturas e funçõesneuronais, levando à morte.
A neurodegeneração pode a onte er em diferentes níveis neurais, variando dos níveis
mole ular ao sistêmi o. Vários males, omo o de Parkinson [34℄, Alzheimer [35℄ e
Hun-tington [36℄, são proteinopatias rela ionadas a agregação protéi a em nível sub elular.
Normalmente essas doenças não são transmissíveis por um vetor etiológi o. Contudo, os
males da va a lou a e de Creutzfeldt-Jakob (DCJ) [37, 38℄ são ausados por proteínas
infe iosas e auto-repli antes hamadas Príons [39, 40℄, que violamo dogma entral da
biologia [41℄. Do ponto de vista físi o, existem muitas similaridades no desenvolvimento
de diversas proteinopatias [31, 33℄. Uma melhor ompreensão destes aspe tos pode ser
al ançada por meio de simulações omputa ionais, aliadas à modelagem físi o-estatísti a
[25, 42,43, 44℄, asquais poderãoauxiliarnodesenvolvimento de novas terapias.
A presente tese pro ura investigar o omportamento de algumas proteínas de grande
interessebiológi o, omoéo asodos domíniosSr SH3[47℄ edas Príonshumanas[39,40℄.
Os métodos que utilizamos, omo os ensembles generalizados [48, 49, 50, 51, 52, 53, 54,
55, 56, 57, 58, 59, 60, 61℄ e as simulações de Monte Carlo [62, 63℄, permitem al ular
diretamentea entropia mi ro anni a. Deste modo, é possível onstatar profundas
seme-lhançasfísi as,de aráter universal, entre proteínas e ertos modelos de spin, lassi ados
omo pequenos. Este é o aso do modelo de spin de Blume-Capel de al an e innito,
que estudamos nesta tese omo laboratório teóri o, por ausa do seu pe uliar
omporta-mento termodinâmi o. A abordagem mi ro anni a mostra-se valiosa nestas situações,
pois permite formalizar e des rever uni adamente transições de fase, espe ialmente no
aso biológi odo enovelamento eda agregação protéi os [42, 43,44, 45,46℄.
Visandominimizarasexigên iasdepoder omputa ionaladotamospoten iais
interat-mi os simpli ados,dotipogrão grosso( oarse-grained)[45, 64,65,66,67,68,69,70℄,ao
invésdos poderosos e omplexos CHARM eAMBER [26℄. Pelasua simpli idade,
es olhe-mos o hamado modelo AB [67, 68℄, uja literatura reporta apenas apli ações no estudo
de sequên ias arti iais,asFibona i [42, 43,45℄.
NomodeloABasprin ipaisinterações onsideradassãode aráterefetivo,edes revem
o omportamento hidrofóbi o-hidrofíli o dos aminoá idos [71℄ envolvidos. As interações
são modeladas por meio de pseudo-átomos, o que reduz notavelmente o número de graus
de liberdadedosistema, onferindoao modelo grandeleveza omputa ional. Por sua vez,
a interação interprotéi a, responsável pela biologia da agregação e dos diversos tipos de
aminoá i-dos. Nossosresultadosmostraram-sepromissores,revelandosimilaridades omobservações
experimentais [33, 72,73℄e estudos teóri osprévios [47℄.
O texto é organizado omo segue. No Capítulo 2 introduzimos a termoestatísti a
mi- ro anni a segundo a formulação Boltzmanniana [1,3℄ eapresentamos o formalismo
ela-borado por Gross [2℄e generalizadoporKastner [74, 75℄para des rever transiçõesde fase
mi ro anni as. Noteque o limitetermodinâmi onão é exigido por este formalismo. Por
m,abordamosalgunsensemblesgeneralizados omoomulti anni o[60℄eogaussiano
es-tendido(EGE) [50,55℄,osquaisforne emrobustasregularizaçõesmi ro anni aseformas
alternativaspara estimar aentropia [61, 76℄.
No Capítulo 3 abordamos as simulações de Monte Carlo que em me âni a estatísti a
são importantes ferramentas numéri as. Revisamos os métodos de Monte Carlo estáti os
e dinâmi os, omo o algoritmo de Metropolis [63℄, além de des revermos omo estimar
erros esto ásti os via rigorosas estimativas da auto orrelação [77℄. Introduzimos em
se-guidaoalgoritmomulti anni o(MUCA)[60,61℄quedeterminaobserváveis anni os via
repesagem [62℄ emi ro anni os via ospróprios parâmetrosmulti anni os.
Sendo esta uma tese interdis iplinar apresentamos no Capítulo 4 uma revisão sobre
proteínasnoqueserefereàsua onstituiçãoquími a[22℄,fun ionalidadeetaxonomia[23℄.
Revisitamos o on eito de proteinopatias enquanto doenças degenerativas resultantes do
mal enovelamento e agregação protéi os sub elulares. Além disso, a modelagem teóri a
dessessistemas biomole ulareséenfo adapelaapresentaçãodomodelo AB, onsideradoo
mais propí ioaos nossos propósitos.
No Capítulo 5 utilizamos o ensemble gaussiano estendido para pro eder a uma nova
resolução analíti a do modelo Blume-Capel de al an e innito [13, 78, 79, 80, 81℄. Este
modelo de spin 1 é semelhante ao de Ising, possuindo ontudo interações ompetitivas
de al an e innito. A literatura moderna reporta a inequivalên ia entre suas onhe idas
soluçõesnos ensembles anni oemi ro anni o[9℄. Todavia,umasoluçãoemum
ensem-ble interpolante era até agora des onhe ida. Nossa nova solução [82℄ além de re uperar
os resultados anteriores omo asos limite, também eviden ia as metaestabilidades
an-ni as. Efetuamos por m um estudo dos pontos tri ríti os do modelo BC para ilustrar
propriedades daabordagemEGE.
O apítulo 6 dedi a-se às simulações mi ro anni as de proteínas propriamenteditas.
Os exemplares que investigamos são adeias de Fibona i, o domínio Sr SH3 ( ódigo
PDB: 1NLO) e a Príon humana ( ódigo PDB: 1HJM). As adeias Fibona i, que foram
arti ialmente desenhadas [45℄, são simuladas para efeito de omparação om proteínas
reais. Os peptídeos 1NLO e 1HJM foram mapeados em sequên ias do tipo AB, om as
quais efetuamos extensas simulações para obter a sua termodinâmi a mi ro anni a pela
análisedosparâmetrosmulti anni os. Nossosresultadosnuméri osmostram-se oerentes
eindi amaexistên iade um omportamentobiológi ouniversal. Alémdisso, onstatamos
semelhanças me âni o-estatísti as típi as de sistemas pequenos entre as transições de
enovelamento,de agregação eas exibidaspelomodelo BC resolvido noEGE.
O Capítulo 7 on lui esta tese om dis ussões nais e o delineamento de perspe tivas
futuras. Apontamos aqui novas questões surgidas neste estudo e vias para investigá-las.
Termoestatísti a mi ro anni a
... By the study of Boltzmann I have been unable to understand him. He
ould not undestand meon a ount of my shortness, and his length was and is
an equal stumbling-blo k to me. Hen e I am very in lined to join the glorious
ompany of supplanters and to put the whole business in about six lines ...
[J.C. Maxwella P.G.Tait, agosto de 1873℄
A me âni a estatísti a permitiuuma ompreensão da fenomenologia des ritapela
ter-modinâmi a a partir de abordagens mi ros ópi as. Ini ialmente on ebida para expli ar
fenmenos simples, omo o omportamento de gases monoatmi os, interagindo via
po-ten iais de urto al an e, essa área da físi a desenvolveu-se rápido e atualmente é ru ial
paraoentendimentodesistemas omplexos. Entretanto, paraassegurarsua ampla
empre-gabilidade é pre iso garantir a existên ia dolimite termodinâmi o,de modoque todas as
formulaçõesme âni o-estatísti as, dadas pela teoriade ensembles, sejam equivalentes [3℄.
Por outro lado, nos asos em que o limite termodinâmi o não se apli a, omo o orre
om sistemas ditos pequenos [2, 6℄, ujo al an edas interações equivale aotamanho do
sistema, surge o fenmeno da inequivalên ia de ensembles. Nesta situação as previsões
físi as efetuadas dependem do formalismo estatísti o adotado. Dado tal grau de
arbitra-riedade, que é antes formal do que realmente físi o, resta entender qual das abordagens
me âni o-estatísti asé arelevante.
Neste apítulorevisamosaabordagemmi ro anni ausualàlaBoltzmann [2,3,6℄,pois
dela se deduzem, via teoria das transformações de Lapla e e Legendre, todas as demais 1
.
Este formalismo forne e ainda uma pres rição simples e direta para a ara terização das
transições de fase, sendo apli ável mesmo a sistemas pequenos. Por m, introduzimos
noçõessobreensemblesgeneralizados, omoogaussianoestendidoeomulti anni o. Estes
ensemblessãouniversalmenteequivalentesaomi ro anni oeimportantesparasimulações
numéri as.
1
Nos asosem quehá inequivalên ia deensemblesas transformaçõesde Lapla e não sãoinversíveis,
poiso orremregiõesnão n avasnaentropia. Ainda assimosensembles anni oegrande anni osão
2.1 O ensemble mi ro anni o
A formulação mi ro anni asurgiu das investigações dofísi oaustría o Ludwig
Boltz-mann [1℄ visando des rever o omportamento inéti o dos gases a partir de um ponto de
vistami ros ópi o. O on eitotermodinâmi ode entropiaéfundamentalnessaabordagem
eaelefoiasso iado,emnívelmi ros ópi o,aidéiadedesorganizaçãoestatísti adesistemas
físi os isolados. O equilíbrio termodinâmi onesse ontexto é realizadopela maximização
daentropia do sistema.
Dene-seentropiami ro anni a
S (E, N, V )
, queparaum sistemame âni oextensivo dependeráda energiaE
, donúmerode partí ulasN
edovolumeV
, omoS (E, N, V ) = k
B
ln W (E, N, V ) ,
(2.1) emquek
B
éa onstantedeBoltzmanneW
éafunçãodepartiçãomi ro anni a2
. Ouseja,
W
representaonúmerodemi roestadosa essíveise ompatíveis omumdadoma roestado termodinâmi o, uja o upação é equiprovávelmi ro anoni amenteemsistemas ergódi os.Por ausa da propriedade de equiprobabilidade dos estados a abordagem mi ro anni a
não exibe barreirasde probabilidadenas vizinhanças de transiçõesde fase.
O formalismomi ro anni oin orpora naturalmenteuma pres rição para o ál ulode
W (E, N, V )
atravésde umpro essode parti ionamentodoespaçodefase. Comoexemplo, onsideremos um sistema deN
orpos uja energia total é xada emE.
Se sua dinâmi a for regida pelahamiltonianaH
N
,
pode-se obterW
al ulando-sea integral vin ulada,W = ǫ
0
Z
1
N!
d
3
pd
³q
h
3
N
δ (E
− H
N
(p, q)) ,
(2.2) em que as onstantesǫ
0
eh
(de Plan k)tem dimensõesapropriadas.De fato, omo a abordagemmi ro anni a é me ani amentebemdenida, mesmo em
um nível mi ros ópi o, os vín ulos do sistema são impostos a ada um dos membros do
ensemble, ou seja, a ada ponto noespaço de fase. Por isso, a formulação mi ro anni a
tem sentido físi o mesmo para sistemas pequenos, e independentemente da existên ia
do limite termodinâmi o. Este aspe to ontrasta, por exemplo, om a abordagem grande
anni a. Esta abordagem sededuz dami ro anni a via transformadadupla de Lapla e
[2, 3℄em que os me anismos de tro a de energiae partí ulas ne essitam de a oplamentos
om banhos térmi osinnitos(i.e. reservatórios).
Fi a laro que uma das prin ipais virtudes da abordagem mi ro anni a é sua
habili-dadeemdes rever diretamenteede modoestatísti o, o omportamentoglobalde sistemas
demuitos- orposempregandoapenasalgunspou osparâmetrosme âni osde ontrole(e.g.
E, N, V
). Ainda, a entropia denida porBoltzmann é,emnível lássi o,uma função on-tínua, multiplamentediferen iável omrelaçãoàenergiae n ava3 globalmente 4 nolimite termodinâmi o. 2
DoalemãoWahrs heinli hkeit: probabilidade.
3
Formalmente,umafunçãoreal
f
denidaemumintervaloédita n ava,separaquaisquerdoispontosx
1
ex
2
emseudomínioC
,eparaqualquert
em[0, 1]
, umpre-sef (tx
1
+ (1
− t)x
2
)
≥ tf(x
1
) + (1
− t)f(x
2
)
. Emadição,f (x)
é n avaem[a, b]
seesomente seafunção−f(x)
é onvexaem[a, b]
.4
Por sua vez, a onexão doformalismo mi ro anni o om a termodinâmi aé
simples-mente dada pela entropia, da qual opera ionalmentebasta al ularrazões entre taxas de
variação. Como ilustração, onsideremos um sistema magnéti o des rito pela
hamiltoni-ana
H
N
(m)
, em que o número de partí ulasN
, a energia por partí ulae = H
N
/N
e a magnetizaçãoporpartí ulam = M/N
[2℄são utilizadospara obter: Temperatura
(T )
1
T (e)
.
= β (e) =
∂
∂e
s (e, m) ,
(2.3) Calor espe í o(c
V
)
c
V
(e)
=
.
de
dT
=
−
s
mm
T
2
d (e.m)
,
(2.4) Sus eptibilidade magnéti a espe í a(χ)
χ =
−
s
ee
d (e.m)
.
(2.5)Fizemos usonaEq. (2.5)da urvaturagaussiana. Esta urvatura orrespondeao
determi-nanteda matrizhessiana daentropia
d [s (e, m)]
, denida omod
S
(e, m) = det
s
ee
s
em
s
me
s
mm
.
(2.6)2.2 Transições de fase mi ro anni as
Transições de fase são usualmente estudadas em me âni a estatísti a pela abordagem
de Lee e Yang [4℄, em que os hamados zeros omplexos da função de partição grande
anni a são analisados. Uma revisão detalhada dessa abordagem foge ao es opo desta
tese, mas é importantenotar que nesse esquema inexistem transições de fase em sistemas
nitos 5
. Entretanto, é ru ial aos nossos propósitos entender se na ausên ia do limite
termodinâmi oinexistem de fatotransiçõesde fase, ouseeste efeitoé apenasum artefato
de um parti ular formalismo.
Consideramosquequando háequivalên iade ensembles ades rição físi ade transições
de fase é naturalmente independente do formalismo adotado. Mas nos asos em que há
inequivalên iadeensemblesaformulaçãoestatísti aédeterminantequantoàfenomenologia
observável. No aso mi ro anni o, uja onexão termodinâmi a se dá via entropia de
Boltzmann, é o omportamento desta grandeza que dis riminaa natureza das transições
de fase [2,6, 7℄.
5
Issoporqueforadolimitetermodinâmi otem-se
N
nito,eportantoafunçãodepartiçãoZ
podeser es rita omo uma soma nita eanalíti ade(z = e
µ/T
)
N
termos. Para ompletar ora io ínio, devemos
lembrarqueograndepoten ialé
∝
1
Figura 2.1: Esquerda: situação que exempli a uma entropia n ava, i.e., fase úni a.
Direita: ilustraçãodeum intruso onvexonaentropia, omooqueo orrenastransiçõesde
primeiraordem;aquiosdoispontos-de-sela orrespondemaduasfasesdistintas. Adaptado
dareferên ia [2℄.
De formageral,transiçõesde fasemi ro anni assão denidaspelos: pontose regiões
de urvatura não negativa da hipersuperfí ie entrópi a
S
N
(P
1
,
· · · , P
i
) ,
des rita noespaço de fase em função das quantidades me âni as onservadas e extensivas{P
1
,
· · · , P
i
}
das quaisS
N
depende, omoaenergia,massa,magnetização, momentumangular,et [2,6,7℄. Portanto, para uma rigorosa utilização destes on eitos dene-se a urvatura, ou matrizhessiana(
H
S
), daentropiaS
N
(P
1
,
· · · , P
i
)
omoH
S(P
1
,P
2
,...,P
i
)
=
∂
P
1
∂
P
1
S . . . ∂
P
1
∂
P
i
S
. . . . . . . . .∂
P
i
∂
P
1
S
· · · ∂
P
i
∂
P
i
S
.
(2.7)Para ara terizardevidamenteasregiõesde transiçãodefaseutilizam-seté ni as
apa-zes de extrair invariantes geométri os e algébri os da hipersuperfí ie
S
N
. Por exemplo, a geometriadiferen ial[5℄forne e-nosa urvaturagaussiana(d
S
) ,
i.e. odeterminantedeH
S
,
queéum importanteinvariante[2℄. Podemosaindaexpressá-laemtermosdos autovaloresordenados
{λ
1
,
· · · , λ
N
}
da urvatura entrópi a omod
S
= det
H
S(P
1
,
··· ,P
i
)
= λ
1
λ
2
· · · λ
N
.
(2.8) Assim, todos os possíveis omportamentos fenomenológi os onhe idos nas abordagensanni a ougrande anni a enquadram-se nos seguintes asos:
Umaúni afase estável: éobservada quando
d
S
> 0
eλ
1
< 0
. NessasituaçãoS
N
é n ava emtodas asdireçõesnolimitetermodinâmi o. Temos aquium mapeamentobi-unívo oentre as grandezas termodinâmi as omputadasvia quaisquer ensembles.
Transição de fasede primeira ordem: nesse asoobserva-seseparação defasese
tensão interfa ial eé ara terizadapor
d
S
< 0
eλ
1
> 0
. AquiS
N
possui um intruso onvexo ( urvaturapara ima, Figura2.1) nadireção doautovetorv
λ
1
asso iado à omponentede maior urvaturaλ
1
.
Existemaquidoispontos-de-sela: naquelemaisà esquerdaosistemaétotalmentelíquidoenooutroégasoso. Todaaregião onvexada entropia é mapeada em um úni o pontono ensemble grande anni o; portanto,
se a urvatura de
S
N
for, por exemplo, igual aλ
1
≥ 0
haverá inequivalên ia de ensembles6
. Surgemvaloresnegativosdas funçõesresposta, omono alorespe í o,
omo sepode onstatar através das deniçõesnas Eqs. (2.4) e (2.5), Figura(2.1).
Transiçãode fasede segunda ordemou ontínua: trata-sedotipodetransição
de fase em que desapare e a tensão interfa ial, ambas as fases vizinhas tornam-se
indistinguíveis. Neste asoaslinhas ríti assãoaquelasonde
d
S
= 0
e~v
λ=0
· ~∇d
S
= 0,
em que~v
λ=0
é o autovetor deH
S
asso iado aoautovalorλ = 0
de maior urvatura. Nessassituaçõespodemo orreras onhe idas atástrofesdatransformadainversadeLapla e 7
E
→ T
. Pontos multi ríti os: o orrem em regiões em que mais de duas fases tornam-se
indistinguíveis; estão asso iados a lo ais em que o orrem divisões das linhas de um
diagramade fases. Matemati amentesão des ritos por
d
S
= 0
e∇d
~
S
= 0.
2.3 Ensembles generalizados
Apresentaremosnassubsessõesseguintesdois ensemblesgeneralizados,quesão
extrema-menteúteis para a estimativa tanto analíti aquanto numéri ada entropia mi ro anni a
omo denida na Eq. (2.2) [2, 6,7℄.
6
Soboutroaspe to,valenotarqueafunçãodepartiçãogrande anni aédenidaviadupla
transfor-madadeLapla edadensidadedeestadosmi ro anni a[i.e.,de
Ω (e, n, V ) = e
s(e,n,V )
℄ omoΞ (µ, T, V )
= e
.
−
βF (µ,T,V )
=
V
2
ǫ
0
∞
Z
0
de
∞
Z
0
dne
−
V [e−µn−T s(e,n,V )]/T
,
deondepode-semostrar[2℄queassintoti amente
F (µ, T, V )
V
→ e − µn − T s +
T ln
√
d
S
V
+ O
ln V
V
.
Portanto, para
d
S
> 0
aenergia livre espe í a tende ao limite termodinâmi o aseu valor típi of
→
e
− µn − T s.
Entretanto,sed
S
= 0
o orremdivergên iasemF,
mesmoparasistemasnitos,eparad
S
< 0
inexisteuma deniçãodaenergialivre!7
Porexemplo,nessasituaçãoatransformadadeLapla eque onverteadensidadedeestados
Ω = Ω (e)
nafunçãodepartição anni a:Z (β) =
R
∞
0
e
−
βe
Ω (e) de
nãoéinversívelparatodoβ
poisa urvae
× β(e)
tem loops em formato de S. Logo, falha ades rição fenomenológi a detransiçõesde faseem termos devariáveisintensivas, omo
T (e)
quene essitade onstruçõesauxiliares omoadeMaxwellsobreosloops deVanderWalls.Noprimeiro asotemosoensemblemulti anni o,quesurgiusobinspiraçãopuramente
algoritmi aparadriblaradegradaçãode desempenhoquesimulaçõesnuméri asenfrentam
ao redor de transições de fase [60, 61℄. Nele, uma estimativa do tipo pie ewise para a
entropia mi ro anni aé implementada através de parâmetros ditos multi anni os.
O segundo ensemblepor sua vez é onhe ido omogaussiano estendido (EGE) [49,50,
51, 53, 54, 55, 57℄ e omporta-se omo um ensemble interpolante entre o mi ro anni o
e o anni o [55℄. Esta situação interpolante des reve sistemas a oplados a banhos
tér-mi os nitos. Re entemente, foi mostrado ainda que o EGE é equivalente aos ensembles
mi ro anni o eMUCA [16, 18, 19, 20, 21,48, 56,58,59℄.
2.3.1 O ensemble multi anni o
Um onsiderável avanço nadeterminação mi ro anni a das densidades de estadodata
a 1991 om a introdução do hamado ensemble multi anni o [60, 61℄. Re ordemos que
naabordagem anni a tradi ional o sistema permane e em ontato om um reservatório
om temperatura xa
T = 1/k
B
β,
e tem as energiasE
k
da onguraçãok
des ritas pelo peso de Boltzmann-Gibbsw
B
(E
k
) = e
−βE
k
.
(2.9) Enquantoos estados om energiaE
são distribuídos om probabilidadeP
B
(E) = c
β
w
B
(E) = c
β
Ω (E) e
−βE
,
(2.10) onde a onstante de normalizaçãoc
β
éintroduzidapara garantir queP
E
P
B
(E) = 1.
Como adensidade de estados
Ω (E)
é uma função que res e rapidamente, enquanto o fator de Boltzmann de ai exponen ialmente omE
, temos queP
B
(E)
tem geralmente a forma de uma gaussiana ouapresenta pi os duplos [3℄. No aso de uma transição de fasede primeira ordem, o ponto ríti o
β
c
(L)
em um sistema de volume nitoL
d
é denido
de forma que a distribuição de energia
P
B
(E, L)
apresente dois pi os de alturas iguais nas energiasE
1
max
eE
2
max
,P
B
(E
1
max
, L) = P
B
(E
max
2
, L) .
Entre estes dois valores o orre a energiaE
min
, orrespondendo aomínimodeP
B
(E, L)
[62℄.Sabemos que as onguraçõesem
E
min
são exponen ialmente suprimidassegundoP
min
= P (E
min
) = c
f
L
p
exp (
−f
s
A) ,
(2.11) ondef
s
é a tensãointerfa iale
A = 2L
d
−1
éa área entre asduas fases para uma rede
L
d
.
Temos ainda as onstantes
c
f
ep (p = d
− 1)
.Entretanto, ainda que lidando om a me âni a estatísti a anni a, o peso de
Boltz-mann não éne essariamenteuma pres rição omputa ionalmenteadequada para todos os
asos. Numeri amente, este peso não sele iona ongurações representativas da interfa e
em transições de primeira ordem[62℄.
Umasoluçãoéousodoensemblemulti anni o[60, 61℄,quefoi ini ialmenteprojetado
para al ular a tensão interfa ial em simulações no ensemble anni o de Gibbs. Ele foi
fases do sistema e om a exigên ia de e ientemente ultrapassar as barreiras de energia
livre. Pro urou-se então amostrar, em um intervalo apropriado daenergia, ongurações
geradas om oseguintepeso
w
muca
= e
−b(E
k
)E
k
+a(E
k
)
,
(2.12) ao invés do tradi ional peso de Boltzmann-Gibbs. O objetivo era obter uma novadistri-buição de probabilidades, om densidade de estados
n (E)
multi anni aP
muca
(E) = c
muca
n (E) w
muca
(E)
≈ constante,
(2.13) que não fossefortemente on entrada, omo no aso usual da Eq. (2.10).Essa novadistribuiçãofaz omquenaregiãoaoredorde
P
min
nãoo orramaisa supres-são de ongurações, logo, o sistema passaria a visitar igualmente todas as onguraçõesdisponíveis nesse intervalode energias. A novafunção
b(E)
é interpretada nesse esquema omo uma temperatura mi ro anni a na energiaE
ea (E)
passa a ser uma espé ie de fuga idade. A distribuição anni a originalP (E)
pode ser obtida [62℄ pormeio de uma repesagem,istoéP (E) =
P
muca
(E)
c
muca
w
muca
(E)
c
β
e
−βE
.
(2.14)Esta relação érigorosa pois ospesos
w
muca
(E)
já são onhe idosnesta etapa.Per ebeu-se posteriormente que os pesos pro urados
w
muca
(E
k
)
orrespondem a uma boa aproximação para os pesos mi ro anni osw
1/Ω(E)
(E
k
) ,
istoéw
muca
(E
k
)
≈ w
1/Ω(E)
(E
k
) =
1
Ω (E
k
)
(2.15)
omo onsequên ia direta daEq. (2.13). Ou seja,aqui a entropia mi ro anni a é
direta-menteestimada omo uma função pie ewise dotipo
S (E
k
) = b
k
(E
k
) E
k
− a
k
(E
k
) .
Contudo,háuma di uldadeini ialemapli aroalgoritmomulti anni oparaestimar
a densidade de estados mi ro anni a visto que os pesos na Eq. (2.15) são a priori
des- onhe idos. Portanto,para estimar adequadamente o onjunto de pesos
{a
k
, b
k
}
é pre iso utilizar relações de re orrên ia em simulações preliminares su essivas8
, que ante edem a
simulação produtiva propriamente dita. Uma vez xados os
w
muca
(E
k
)
, a simulação é efetuada segundo métodos usuais [63℄.Porm, o ál ulode grandezastermodinâmi asdes ritas peloensemble anni opode
ser obtido do ensemble multi anni o via repesagem dos dados provindos de sua série
temporal. Por exemplo, a energia média anni a a uma temperatura
1/β
é al ulada a partir das medidasmulti anni asE
i
,
¯
E (β) =
P
n
i=1
E
i
w
muca
−1
(E
i
) e
−βE
i
P
n
i=1
w
muca
−1
(E
i
) e
−βE
i
.
(2.16)8
Geralmenteutilizam-serelaçõesdere orrên iaentreosparâmetros
b
n
ea
n
a
n
(E
− ǫ) = a
n
(E) + [b
n
(E
− ǫ) − b
n
(ǫ)] E,
b
n+1
(E) = b
n
(E) + [ln H
n
muca
(E + ǫ)
− ln H
n
muca
(E)] /ǫ
2.3.2 O ensemble gaussiano estendido
O ensemble gaussiano surgiu nos anos 80 om a nalidade de a elerar os métodos de
Monte Carlo usuais [49, 50, 51, 53, 57℄. Posteriormente, este ensemble foi reinterpretado
omo um esquema regularizador para o ensemble mi ro anni o [54℄. Ele interpola por
meio de um parâmetro
γ
, rela ionado à apa idade alorí ade um banho térmi o nito, afísi ados ensembles anni o e mi ro anni o [13,82℄. Umageneralizaçãoulteriordesteesquemaproduziuoensemblegaussianoestendido(EGE)[46,55,76℄. Re entementefoi
de-monstrado[56℄haverequivalên iasentreosensemblesmi ro anni o,gaussianoestendido,
multi anni o ede Tsallisem ertos regimes termodinâmi os.
Deduzimos aqui as propriedades do EGE [55, 82℄ utilizando métodos omumente
en- ontrados naliteraturapara obter oensemble anni o [3℄ apartir domi ro anni o, por
exemplo, omo éilustradono Apêndi e E.
Ini ialmente, onsideremos um sistema
a
om energiaE
e entropiaS
, a oplado a um banho térmi ob
om energiaE
b
e entropiaS
b
que tro a energia oma.
Logo, a energia total dosistemaisoladoseráE
t
= E + E
b
esua entropiatotal éS
t
.
Neste asoo equilíbrio térmi o é al ançado quandoS
t
é máxima e a energiaE
do sistemaa
utuar ao redor de um valor médioU
de equilíbrio. Então, a energia mais provável é tal que uma expansão daentropiadobanhotérmi oS
b
,
aoredordoequilíbrioE
t
− U,
resultaemsegunda ordemS
b
(E
b
) = S
b
(E
t
− U) +
dS
b
dE
b
E
t
−U
(U
− E) +
1
2
d
²S
b
dE
b
²E
t
−U
(U
− E)
²+ ....
(2.17)Se onsiderarmosqueestasderivadasdependemdaspropriedadesfísi asdobanhotérmi o,
é onveniente denirmos
dS
b
dE
b
E
t
−U
= α,
(2.18) e1
2
d
²S
b
dE
b
²E
t
−U
=
−γ.
(2.19)No aso de haver umbanho térmi oinnito,representado porum reservatório,estaríamos
trabalhando no ensemble anni o tradi ional, ou seja
α = β = 1/ (k
B
T )
eγ = 0.
No limiteoposto, emqueháumbanhotérmi oinnitesimal,temoso asomi ro anni o omγ
→ ∞
eE
t
≡ U.
O métododos multipli adores de Lagrange[3, 55℄nos dá opeso gaussiano estendido
w
EGE
= e
−αE−γ(E−U)
²
,
(2.20)e adensidade de probabilidadepara o EGE
P
γ,α
(E) =
ρ (E) e
−αE−γ(E−U)
²Z
γ
(U, α)
,
(2.21)om a qualdene-se a função de partiçãodeste ensemble,
Z
γ
(U, α) =
Z
ρ (E) e
−αE−γ(E−U)
²Daqui, dene-se o poten ialtermodinâmi ogeneralizado,
Φ
γ
(U, α) =
− ln Z
γ
(U, α) .
(2.23) Enquanto o parâmetroU
pode ser determinado auto onsistentemente pela seguinte relaçãoU
=
.
∂Φ
γ
∂α
=
Z
EP
γ,α
(E) dE.
(2.24) Se apli armos atransformaçãode Legendre-Fen hel(LF)[3℄ aopoten ialΦ
γ
(U, α)
en on-traremosa entropia generalizadaS
γ
doEGE,S
γ
(U) = α
∂Φ
γ
∂α
γ
+ γ
∂Φ
γ
∂γ
α
− Φ
γ
.
(2.25)Vale notar também que, omo o orre no aso da termodinâmi a anni a, pode-se
denir um alor espe í o generalizado para o sistema [50, 51℄. Este alor espe í o é
dependente de
γ,
C
γ
=
.
−α
2
∂U
∂α
γ
=
h(E − U)
²i
1
− 2γ h(E − U)
²i
.
(2.26)Ressaltamos aqui que a positividade das utuações
h(E − U)
²i
não impli a ne essaria-mentenapositividadedeC
γ
.Simulações
God does not are about our mathemati al di ulties. He integrates empiri ally
[A. Einsteina L.Ineld,1942℄.
Aobtençãodaentropiami ro anni apartindo-sediretamentedadeniçãonaEq. (2.2)
éumatarefa nemsemprepossívelanaliti amente. Oquereforçaa ne essidadede métodos
numéri os omo as simulaçõesde Monte Carlo (MC) [63℄ para esse tipo de ál ulo.
Nes-tas simulaçõesutilizam-sedinâmi asesto ásti asparaevoluirtemporalmenteum sistema.
Neste aso produzimosuma adeia markovianade onguraçõesna variável temporalnão
físi a
τ
dita de Monte Carlo. O algoritmoempregado deverá amostrar ongurações esta-tisti amentedistribuídasde a ordo omum dado ensembleaolongodaevolução temporalda simulação. Assim, assumindo ergodi idade, substituem-se médias térmi as
h. . .i
T
de ensemble pormédias temporaish. . .i
τ
nas simulação de MC.Na iminên ia de uma transição de fase, a produção de ongurações independentes é
afetadafortementepeloefeitodofrenamento ríti o(doinglês, riti alslowingdown: CSD)
[62℄. Este efeitoestá asso iadoà existên iade omprimentosde orrelação divergentes em
transiçõesde fasedesegunda ordem,eàpresençadeenormes barreirasinterfa iaisna
ener-gia livre anni a em transições de primeiraordem. Isto produz divergên ias nos tempos
de auto orrelação entre onguraçõessu essivas. Para ontornar o problema, sosti ados
algoritmosde atualização globais devemser empregadossempre que possível.
Outraalternativaéautilizaçãodeensemblesgeneralizadosemqueopeso anni ousual
de Boltzmann-Gibbs
e
−βE
,
típi o do ensemble anni o, é substituido por outros, om a
nalidade de diminuira inuên ia numéri adas barreirasde energia livre[60, 61, 76℄.
Ini iamos o apítulo revisando brevemente alguns tipos de simulações, o on eito de
adeias de Markov é então introduzido e utilizado na formulação do algoritmode
Metro-polis. Dis utimos emseguida omo estimarerros numéri os e omoo efeitodo CSDpode
afetá-los. Estas observações orientaram histori amente o desenvolvimento de algoritmos
mais e ientes, hamados de mi ro anni os, imunes ao efeito de CSD. Finalizamos este
apítulomostrando omo adaptarosmétodos de Monte Carlousuais, onjuntamente om
3.1 Métodos de Monte Carlo markovianos
O ál ulo de integrais multidimensionais é o objetivo de elaboradas té ni as
numéri- as. Uma abordagembastante e iente para estimá-lasé o uso de algoritmosestatísti os,
hamados de métodos de Monte Carlo. Sua implementação na presença de medidas de
integração simples e homogêneas omo é aso doexemplo a seguir,
I =
Z
b
a
f (x)
b
− a
dx,
(3.1)sefaz sorteando
M
valoresaleatóriose independentesx
i
∈ [a, b],
segundo a medida(peso)w(x)
≡
dx
b
− a
.
(3.2)Nesta situação, aintegral será bem aproximada pelamédia dafunção aleatória
f (x
i
)
I ∼
= f
≡
1
M
M
X
i=1
f (x
i
),
(3.3)ujo erro numéri oé dado pelodesvio padrão (
σ
f
)σ
f
=
s
[f (x
i
)
− hf (x
i
)
i]
2
M
− 1
(3.4)quetendeazero nolimite
M
→ ∞
. Este métodoé denominadoMonteCarlo estáti opois os sorteios o orrem segundo a distribuição na Eq. (3.2) sem a ne essidade de obede er aqualquer me anismo dinâmi o.
A estimativade valoresesperados deobserváveisme âni o-estatísti os
hOi
β
impli ano ál ulo de expressões omohOi
β
=
R
i=N
Q
i=1
d
i
~qd
i
~pe
−βH
N
(p,q)
O (p, q)
R
i=N
Q
i=1
d
i
~qd
i
~pe
−βH
N
(p,q)
,
(3.5)em que um sorteio segundo a medida de integração
d~x =
i=N
Q
i=1
d
i
~qd
i
~pe
−βH
N
(p,q)
torna-se inviávelde a ordo om osmétodos estáti os. Para ontornar esteproblema ne essita-sedeum pro esso esto ásti o 1
uja dinâmi a de equilíbrio reproduza a distribuição almejada.
Esta té ni a hama-se métododinâmi o de Monte Carlo[62℄.
Asdinâmi asesto ásti asempregadasnosmétodosdinâmi osdeamostragemnão
guar-dam relação om a dinâmi afísi a real dosistemainvestigado epor issosão denominadas
1
Denomina-se pro esso esto ásti o uma sequên ia de variáveis aleatórias, ou série temporal, ujos
simulações. Nesse ontexto a utilização de adeias de Markov, evoluindo sob algoritmos
ergódi os 2
, onstitui a prin ipal lasse de métodos de Monte Carlo markovianos 3
apazes
de implementarestimativas omo naEq. (3.5).
Cadeias de Markov, por sua vez, são sequên ias
X
1
, X
2
, X
3
, ...
de variáveis aleatórias emum espaçode estados{X
n
}
,ondeX
n
éo estadodeste pro essoesto ásti onoinstante de tempon
. Se a distribuição de probabilidade ondi ional deX
n+1
nos estados passados for uma função apenas deX
n
,
teremosPr(X
n+1
= x
|X
0
, X
1
, X
2
, . . . , X
n
) = Pr(X
n+1
= x
|X
n
),
(3.6) ondex
éumestadodopro esso. Estapropriedadeéditamarkoviana4
epermitequea ada
instantede tempo
n
ara terizemos a adeiaporumamatrizP
queforne eprobabilidades (esta ionárias)de transição entre os estadosi
ej,
P
ij
= Pr(X
n+1
= j
| X
n
= i).
(3.7) Comoveremosaseguir,desenhare ientes algoritmosesto ásti osquepermitamons-truira matriznaEq. (3.7) parapesos de integração espe í oséuma arte omputa ional.
3.1.1 O algoritmo de Metropolis
O algoritmo que Metropolis e olaboradores desenvolveram [63℄ permite gerar
distri-buições de equilíbrio anni as. Neste aso, a probabilidadede o orrên ia
P (E)
de uma energiaE
édadaporP (E) ∝ Ω (E) e
−βE
,
emque
Ω (E)
éadensidadedeestadosdosistema e1/β
éatemperaturadoreservatóriotérmi o. Aimplementaçãodestealgoritmone essita de sorteios aleatórios (e ergódi os) de ongurações mi ros ópi as do sistema. Tambémé pre iso que se onsiga avaliar as alterações energéti as surtidas por aquelas mudanças
ongura ionais aleatórias. O algoritmogaranteentão que, partindo-sede quaisquer
on-dições ini iais, haverá onvergên ia da distribuição de probabilidades para uma situação
anni a de equilíbrio,ouseja
P (E)
→ P
can
(E)
≡ Ω (E) e
−βE
.
Para ilustrá-lo onsidere um sistema hamiltonio
H = H (
{s
i
})
dependente das on-gurações{s
i
} .
Implementamos oalgoritmode Metropolispara riar ongurações{s
i
}
de equilíbrio seguindo ospassos:1. Sejaumadada onguraçãoini ial
{s
1
,
· · · , s
N
} .
Sele ionamosumdestes omponen-tes, digamoss
i
e proponhamos uma alteração aleatórianesta onguração. Ou seja, tomemospor exemplos
i
→ s
′
i
e mantenhamos todos osdemais elementos inta tos. 2. Computemosa diferençade energias asso iadas à alteraçãona onguraçãos
i
→ s
′
i
,
ouseja:△H = H (s
′
i
)
− H (s
i
)
. 2Quepermiteavisitaçãodetodososestadosa essíveisaosistema.
3
Doinglês: MarkovianMonte Carlomethods
4
Referindo-seaospro essosesto ásti os uja matriz detransição, responsávelporsuaevolução
3. Cal ulemos a probabilidade de a eitação da nova onguração
s
′
i
, utilizando a pro-babilidade de transição de MetropolisP
M etropolis
(s
i
→ s
′
i
)
dada porP
M etropolis
(s
i
→ s
′
i
) =
1
se
△H < 0
e
−β△H
se
△H ≥ 0.
(3.8)4. Sorteamos um número
r
a partir de uma distribuição uniforme:r
∈ [0, 1] .
5. Ser < P
M etropolis
(s
i
→ s
′
i
)
substituímoss
i
pela nova propostas
′
i
,
aso ontrário, mantemosa antiga onguraçãos
i
inalterada.Osistemaevolui omaapli açãodos5passosa imaa adaumde seus omponentes. Após
erto número de atualizações ongura ionais ne essárias para atingir o equilíbrio, i.e.,
onvergên ia para
P
can
(E)
≡ Ω (E) e
−βE
,
podemos al ularmédias omo des ritas naEq.
(3.5) om ada nova onguração
{s
i
}
. Istonos leva àsmédias estatísti ashO [{s
i
}]i
τ
−
M C
de fun ionais
O ({s
i
})
que são obtidas omM
ongurações{s
i
}
desta série temporal e estimamas médiastérmi ashOi
β
.
3.1.2 Erros numéri os
Men ionamos na seção anterior que erros estatísti os em simulações de Monte Carlo
são des ritos pelo desvio padrão. Contudo, não levamos em onta possíveis orrelações
entre assu essivas onguraçõesmensuradas. Para fazê-loteríamosde al ularotempode
auto orrelaçãode Monte Carlo 5
,um parâmetrotambémasso iadoàe iên iaalgoritmi a.
A pres rição para este ál ulo onsidera a sérietemporalde medidasde um observável
físi o
O
num intervalo temporalt
e a auto orrelação normalizadaρ
f
(k) =
C
f
(k)
C
f
(0)
[62, 77℄.
A auto orrelação é es rita em termos das orrelações
C
f
(k)
e quanti a possíveis depen-dên ias estatísti asρ
fO
(k)
≡
C
f
O
(k)
C
fO
(0)
=
hO
iO
i+ki − hO
ii
2O
i2
− hO
ii
2.
(3.9)Tipi amente a função de auto orrelação normalizada
ρ
f
(t)
de ai exponen ialmente (ρ
f
(t)
∼ e
−|t|/τ
exp,O
) para grandes valores de
t
. Isto nos leva a denir o tempo de auto- orrelação exponen ial para a série doobservávelO
omoτ
exp,O
= lim
t→∞
sup
t
−log |ρ
f
O
(t)
|
.
(3.10)Ou seja,
τ
exp,
O
é umaes ala de relaxação temporal orrespondenteao modomais lentode de aimentoda orrelação das amostras.5
Queéointervalodotempo omputa ionalduranteaproduçãodesu essivasamostras orrela ionadas