Free-Energy Differences from Nonequilibrium Fluctuations in High Dissipation

In der mikroskopischen Welt der Atome und Moleküle ist Energie niemals still. Selbst wenn ein System ruhig erscheint, stoßen seine Teilchen ständig gegeneinander, angetrieben durch die Wärme ihrer Umgebung. Wissenschaftler suchen schon lange nach einem Weg, die verborgenen Energielandschaften abzubilden, die das Verhalten dieser winzigen Systeme bestimmen, wie etwa die Frage, wie sich ein Protein in seine funktionelle Form faltet oder wie eine chemische Reaktion abläuft. Die Höhe der Hügel und die Tiefe der Täler in diesen Landschaften bestimmen Stabilität und Geschwindigkeit, aber ihre direkte Messung ist notorisch schwierig. Jahrzehntelang verließen sich Forscher auf einen cleveren Umweg: Sie ziehen ein Molekül aus seinem Ruhezustand heraus und messen den Aufwand, der dafür erforderlich ist. Durch die Wiederholung dieses Prozesses tausendfach und das Mitteln der Ergebnisse können sie theoretisch die Energiedifferenz zwischen dem Start- und dem Endpunkt ableiten. Doch diese Methode stößt an eine Grenze, wenn der Prozess unordentlich oder schnell ist. In diesen Szenarien mit hoher Dissipation erfordert die Mathematik von den Forschern das Auffinden seltener, fast unmöglicher Ereignisse, bei denen das System scheinbar Energie zurückgibt, anstatt sie zu verbrauchen. Diese Ereignisse sind so selten, dass das Sammeln genügend solcher Fälle für eine zuverlässige Antwort länger dauern würde als das Alter des Universums.

Ein Forschungsteam der Universität Göteborg hat einen Weg gefunden, um dieses Nadelöhr zu umgehen. Sie führten eine neue Technik ein, die sie EquiNET nennen und die die Notwendigkeit umgeht, auf diese seltenen, glücklichen Ereignisse zu warten. Anstatt nach der Nadel im Heuhaufen zu suchen, betrachtet ihre Methode die Form des gesamten Heuhaufens. Durch die Analyse der subtilen Fluktuationen in der Bewegung eines Moleküls während eines Standard-Zugexperiments kann das Team die gesamte an Reibung und Wärme verlorene Energie ableiten. Sob sobald sie wissen, wie viel Energie verschwendet wurde, können sie diesen Verlust von der geleisteten Gesamtarbeit abziehen, um die wahre Energiedifferenz zwischen den beiden Zuständen zu enthüllen. Dieser Ansatz funktioniert selbst dann, wenn der Prozess hochgradig irreversibel ist und die üblichen Methoden völlig versagen.

Die Forscher testeten ihre Idee zuerst an einem einfachen, eindimensionalen Modell eines Teilchens, das sich durch eine sich verändernde Energielandschaft bewegt. In dieser Simulation trieben sie ein Teilchen von einer stabilen Position zu einer anderen, wodurch ein Szenario geschaffen wurde, in dem die Vorwärts- und Rückwärtswege so unterschiedlich waren, dass sie sich kaum überschnitten. Standardmethoden wären nicht in der Lage gewesen, die Verbindung zwischen ihnen zu finden. Dennoch konnte EquiNET die Energiedifferenz erfolgreich rekonstruieren, indem es allein aus den Trajektoriendaten lernte. Es benötigte nicht die seltenen Rückwärtsbewegungen; es lernte einfach die Regeln der Bewegung aus den gewöhnlichen Vorwärtsbewegungen. Die Ergebnisse stimmten perfekt mit den bekannten theoretischen Werten überein und bewiesen damit, dass die Methode in der Lage ist, die verborgene Energielandschaft aus dem Rauschen gewöhnlicher Bewegungen zu extrahieren.

Um zu sehen, ob dies in einem komplexeren, realistischeren Umfeld Bestand hätte, wandte das Team EquiNET auf ein Modell eines Polymer-Hairpins an, einer Struktur, die die Faltung eines DNA-Strangs oder eines Proteins nachahmt. Sie simulierten den Prozess, bei dem dieser Hairpin mechanisch auseinandergezogen wird – wobei die Bindungen, die ihn zusammenhalten, aufgebrochen werden – und er anschließend wieder zusammenklappt. Sie variierten die Stärke der Bindungen, um Szenarien zu schaffen, die von mild bis extrem schwierig reichten, wobei der Energieverlust massiv war. In den schwierigsten Fällen produzierten die Vorwärts- und Rückwärts-Experimente völlig unterschiedliche Ergebnissätze ohne Überschneidung, was herkömmliche statistische Werkzeuge nutzlos machte. EquiNET jedoch florierte in diesem Chaos. Indem sie ein spezialisiertes Computerprogramm auf den Pfaden trainierten, die der Hairpin nahm, lernte das System, den Energieverlust zu jedem Zeitpunkt des Prozesses vorherzusagen. Wenn sie diesen vorhergesagten Verlust mit der gemessenen Arbeit kombinierten, war die berechnete Energiedifferenz genau, obwohl die Daten aus einem Bereich stammten, in dem konventionelle Ansätze aufgegeben hätten.

Einer der praktischsten Aspekte dieser Entdeckung ist, dass sie auch dann funktioniert, wenn Wissenschaftler nicht das ganze Bild sehen können. In realen Experimenten ist es oft unmöglich, jedes einzelne Atom eines Moleküls zu verfolgen; Forscher sehen meist nur einige wenige Schlüsselpunkte, wie etwa die Enden eines Strangs oder spezifische markierte Stellen. Das Team zeigte, dass EquiNET auch mit dieser begrenzten Sichtweise funktionieren kann. Als sie das System nur mit den Koordinaten einiger weniger Perlen des Hairpins speisten, konnte es zwar nicht die exakte Energiedifferenz bestimmen, aber es konnte eine strikte mathematische Grenze liefern. Es teilte ihnen mit, dass die wahre Energiedifferenz unter einem bestimmten Wert liegen muss. Diese Grenze war überraschend eng gefasst und lag sehr nah am tatsächlichen Wert, was darauf hindeutet, dass Wissenschaftler selbst mit unvollständigen Informationen zuverlässige Erkenntnisse über die Stabilität komplexer biologischer Strukturen gewinnen können.

Die Forscher untersuchten auch, wie viel Daten benötigt werden, um diese Vorhersagen präzise zu machen. Sie fanden heraus, dass die Methode schnell konvergiert; in ihren Simulationen benötigten sie nur etwa tausend Trajektorien, um einen großen Teil des wahren Energieverlusts wiederherzustellen. Dies ist eine signifikante Verbesserung gegenüber älteren Methoden, die möglicherweise Millionen oder Milliarden Versuche benötigen würden, um die wenigen seltenen Ereignisse zu finden, auf denen sie beruhen. Das Team entdeckte zudem einen Weg, um zu überprüfen, ob ihr Experiment lang genug war. Indem sie die Rate des Energieverlusts am Ende der Simulation beobachteten, konnten sie feststellen, ob das Molekül tatsächlich in einen ruhigen Zustand zurückgekehrt war. Wenn die Rate des Energieverlusts nicht auf Null sank, bedeutete dies, dass das Molekül noch relaxierte und das Beobachtungsfenster verlängert werden musste. Dies bietet ein eingebautes Diagnosewerkzeug für Experimentalisten, um zu wissen, wann sie genügend Informationen gesammelt haben.

Letztlich eröffnet diese Arbeit einen neuen Weg zum Verständnis der Energie der Mechanismen des Lebens. Indem der Fokus von seltenen, unwahrscheinlichen Ereignissen auf die alltäglichen Fluktuationen eines Systems gelenkt wird, ermöglicht EquiNET es Forschern, Energielandschaften unter Bedingungen zu messen, die zuvor zu ungeordnet für eine Analyse waren. Ob beim Studium der Proteinfaltung, der Bindung von Medikamenten an Zielstrukturen oder der Reaktion synthetischer Materialien auf Stress – diese Technik bietet einen robusten Weg, um die unsichtbare Energie zu sehen, die sie antreibt. Sie verwandelt das Problem der hohen Dissipation von einer Sackgasse in ein lösbares Rätsel, indem sie genau das Rauschen nutzt, das die Messung einst unmöglich gemacht hat.