Free-Energy Differences from Nonequilibrium Fluctuations in High Dissipation

In de microscopische wereld van atomen en moleculen staat energie nooit stil. Zelfs wanneer een systeem rustig lijkt, zijn de deeltjes constant in beweging, gedreven door de warmte van hun omgeving. Wetenschappers zoeken al lang naar een manier om de verborgen energielandschappen in kaart te brengen die bepalen hoe deze kleine systemen zich gedragen, zoals hoe een eiwit zich vouwt in zijn functionele vorm of hoe een chemische reactie verloopt. De hoogte van de heuvels en de diepte van de dalen in deze landschappen bepalen de stabiliteit en snelheid, maar het direct meten ervan is berucht moeilijk. Decennialang hebben onderzoekers vertrouwd op een slimme omweg: ze trekken een molecuul uit zijn rusttoestand en meten de inspanning die daarvoor nodig is. Door dit proces duizenden keren te herhalen en de resultaten te middelen, kunnen ze theoretisch het energieverschil tussen het start- en eindpunt afleiden. Deze methode loopt echter tegen een muur wanneer het proces rommelig of snel is. In deze scenario's met hoge dissipatie vereist de wiskunde dat de onderzoeker zeldzame, bijna onmogelijke gebeurtenissen vindt waarbij het systeem schijnbaar energie teruggeeft in plaats van verbruikt. Deze gebeurtenissen zijn zo zeldzaam dat het verzamelen van genoeg van dergelijke gebeurtenissen om een betrouwbaar antwoord te krijgen, langer zou duren dan het huidige universum oud is.

Een team onderzoekers aan de Universiteit van Göteborg heeft een manier gevonden om deze flessenhals te omzeilen. Ze introduceerden een nieuwe techniek, die ze EquiNET noemen, die de noodzaak om te wachten op deze zeldzame, gelukkige gebeurtenissen omzeilt. In plaats van te zoeken naar de naald in de hooiberg, kijkt hun methode naar de vorm van de hele hooiberg. Door de subtiele fluctuaties in de beweging van een molecuul tijdens een standaard trekexperiment te analyseren, kan het team de totale hoeveelheid energie die verloren gaat aan wrijving en warmte afleiden. Zodra ze weten hoeveel energie er is verspild, kunnen ze die verliezen aftrekken van het totaal uitgevoerde werk om het ware energieverschil tussen de twee toestanden te onthullen. Deze aanpak werkt zelfs wanneer het proces zeer onomkeerbaar is en de gebruikelijke methoden volledig falen.

De onderzoekers testten hun idee eerst op een eenvoudig, eendimensionaal model van een deeltje dat zich door een veranderend energielandschap beweegt. In deze simulatie stuurden ze een deeltje van de ene stabiele positie naar de andere, waardoor een scenario ontstond waarin de voorwaartse en achterwaartse paden zo verschillend waren dat ze nauwelijks overlapten. Standaardmethoden zouden niet in staat zijn geweest om de verbinding tussen hen te vinden. Toch slaagde EquiNET erin om het energieverschil te reconstrueren door enkel te leren van de trajectgegevens. Het had de zeldzame achterwaartse gebeurtenissen niet nodig; het leerde simpelweg de regels van de beweging uit de algemene voorwaartse bewegingen. De resultaten kwamen perfect overeen met de bekende theoretische waarden, wat bewees dat de methode de verborgen energielandschap uit de ruis van gewone beweging kon extraheren.

Om te zien of dit stand zou houden in een complexere, meer realistische setting, paste het team EquiNET toe op een model van een polymeer-harenspeld (hairpin), een structuur die nabootst hoe een streng DNA of een eiwit vouwt. Ze simuleerden het proces waarbij deze harenspeld mechanisch uit elkaar wordt getrokken, waarbij de verbindingen die hem bij elkaar houden worden verbroken, en hem vervolgens weer laat terugveren. Ze varieerden de sterkte van de verbindingen om scenario's te creëren die varieerden van mild tot extreem moeilijk, waarbij het energieverlies enorm was. In de moeilijkste gevallen produceerden de voorwaartse en achterwaartse experimenten volledig verschillende resultaten zonder enige overlap, waardoor traditionele statistische instrumenten nutteloos werden. EquiNET bloeide echter op in deze chaos. Door een gespecialiseerd computerprogramma te trainen op de paden die de harenspeld aflegde, leerde het systeem het energieverlies op elk moment van het proces te voorspellen. Wanneer ze dit voorspelde verlies combineerden met het gemeten werk, was het berekende energieverschil accuraat, zelfs hoewel de data afkomstig waren uit een regime waar conventionele benaderingen het hadden opgegeven.

Een van de meest praktische aspecten van deze ontdekking is dat het werkt, zelfs wanneer wetenschappers niet het hele plaatje kunnen zien. In de echte wereld is het vaak onmogelijk om elk individueel atoom in een molecuul te volgen; onderzoekers zien meestal slechts enkele sleutelpunten, zoals de uiteinden van een streng of specifieke gelabelde plekken. Het team toonde aan dat EquiNET nog steeds kan functioneren met dit beperkte zicht. Wanneer ze het systeem alleen de coördinaten van enkele kralen op de harenspeld voerden, kon het niet de exacte energieverschillen bepalen, maar kon het wel een strikte wiskundige grens bieden. Het vertelde hen dat het ware energieverschil onder een bepaalde waarde moest liggen. Deze grens was verrassend nauw en bleef zeer dicht bij de werkelijke waarde, wat suggereert dat wetenschappers, zelfs met gedeeltelijke informatie, betrouwbare inzichten kunnen verkrijgen in de stabiliteit van complexe biologische structuren.

De onderzoekers onderzochten ook hoeveel gegevens nodig zijn om deze voorspellingen accuraat te maken. Ze ontdekten dat de methode snel convergeert; in hun simulaties hadden ze slechts ongeveer duizend trajecten nodig om een groot deel van het werkelijke energieverlies te herstellen. Dit is een aanzienlijke verbetering ten opzichte van oudere methoden, die mogelijk miljoenen of miljarden pogingen nodig hebben om de weinige zeldzame gebeurtenissen te vinden waar zij van afhankelijk zijn. Het team ontdekte ook een manier om te controleren of hun experiment lang genoeg was. Door naar de snelheid van het energieverlies te kijken wanneer de simulatie eindigde, konden ze zien of het molecuul werkelijk was teruggekeerd naar een rustige staat. Als de snelheid van het energieverlies niet naar nul daalde, betekende dit dat het molecuul nog steeds aan het ontspannen was, en dat het observatievenster verlengd moest worden. Dit biedt een ingebouwde diagnostische tool voor experimenteel onderzoekers om te weten wanneer ze genoeg informatie hebben verzameld.

Uiteindelijk biedt dit werk een nieuw pad voor het begrijpen van de energie van de machinerie van het leven. Door de focus te verleggen van zeldzame, onwaarschijnlijke gebeurtenissen naar de algemene, alledaagse fluctuaties van een systeem, stelt EquiNET onderzoekers in staat om energielandschappen te meten in condities die voorheen te rommelig waren om te analyseren. Of het nu gaat om het bestuderen van hoe eiwitten vouwen, hoe medicijnen binden aan doelwitten, of hoe synthetische materialen reageren op spanning; deze techniek biedt een robuuste manier om de onzichtbare energie te zien die hen aandrijft. Het verandert het probleem van hoge dissipatie van een doodlopende weg in een oplosbare puzzel, door gebruik te maken van de zeer ruis die de meting ooit onmogelijk maakte.