Free-Energy Differences from Nonequilibrium Fluctuations in High Dissipation

No mundo microscópico de átomos e moléculas, a energia nunca está estática. Mesmo quando um sistema parece calmo, suas partículas estão constantemente se agitando, impulsionadas pelo calor de seus arredores. Cientistas há muito buscam uma maneira de mapear as paisagens de energia ocultas que ditam como esses sistemas minúsculos se comportam, como o modo como uma proteína se dobra em sua forma funcional ou como uma reação química procede. A altura das colinas e a profundidade dos vales nessas paisagens determinam a estabilidade e a velocidade, mas medi-las diretamente é notoriamente difícil. Por décadas, pesquisadores confiaram em um contorno inteligente: eles puxam uma molécula de seu estado de repouso e medem o esforço necessário para fazê-lo. Ao repetir esse processo milhares de vezes e tirar a média dos resultados, eles podem, teoricamente, deduzir a diferença de energia entre o ponto inicial e o final. No entanto, esse método encontra um obstáculo quando o processo é desordenado ou rápido. Nesses cenários de alta dissipação, a matemática exige que o pesquisador encontre eventos raros, quase impossíveis, onde o sistema parece devolver energia em vez de consumi-la. Esses eventos são tão infrequentes que reunir o suficiente para obter uma resposta confiável levaria mais tempo do que a idade do universo.

Uma equipe de pesquisadores da Universidade de Gotemburgo encontrou uma maneira de contornar esse gargalo. Eles introduziram uma nova técnica, que chamam de EquiNET, que ignora a necessidade de esperar por esses eventos raros e sortudos. Em vez de procurar a agulha no palheiro, o método deles observa a forma de todo o palheiro. Ao analisar as sutis flutuações na forma como uma molécula se move durante um experimento de tração padrão, a equipe pode inferir a quantidade total de energia perdida para o atrito e o calor. Uma vez que sabem quanta energia foi desperdiçada, eles podem subtrair essa perda do trabalho total realizado para revelar a verdadeira diferença de energia entre os dois estados. Essa abordagem funciona mesmo quando o processo é altamente irreversível e os métodos usuais falham completamente.

Os pesquisadores testaram sua ideia primeiro em um modelo simples, unidimensional, de uma partícula movendo-se através de uma paisagem de energia variável. Nessa simulação, eles conduziram uma partícula de uma posição estável para outra, criando um cenário onde os caminhos de ida e volta eram tão diferentes que mal se sobrepunham. Os métodos padrão teriam sido incapazes de encontrar a conexão entre eles. No entanto, o EquiNET reconstruiu com sucesso a diferença de energia apenas aprendendo com os dados da trajetória. Ele não precisou dos raros eventos de movimento para trás; ele simplesmente aprendeu as regras do movimento a partir dos movimentos comuns para frente. Os resultados coincidiram perfeitamente com os valores teóricos conhecidos, provando que o método poderia extrair a paisagem de energia oculta a partir do ruído do movimento comum.

Para ver se isso se sustentaria em um cenário mais complexo e realista, a equipe aplicou o EquiNET a um modelo de um grampo de polímero (polymer hairpin), uma estrutura que imita como uma fita de DNA ou uma proteína se dobra. Eles simularam o processo de puxar mecanicamente esse grampo, quebrando as ligações que o mantêm unido, e depois deixando-o retornar ao lugar. Eles variaram a força das ligações para criar cenários que iam de leves a extremamente difíceis, onde a perda de energia era massiva. Nos casos mais difíceis, os experimentos de ida e de volta produziram conjuntos de resultados completamente diferentes, sem qualquer sobreposição, tornando as ferramentas estatísticas tradicionais inúteis. O EquiNET, porém, prosperou nesse caos. Ao treinar um programa de computador especializado nos caminhos que o grampo percorreu, o sistema aprendeu a prever a perda de energia em cada momento do processo. Quando combinaram essa perda prevista com o trabalho medido, a diferença de energia calculada foi precisa, mesmo que os dados viessem de um regime onde as abordagens convencionais teriam desistido.

Um dos aspectos mais práticos desta descoberta é que ela funciona mesmo quando os cientistas não conseguem ver o quadro completo. Em experimentos do mundo real, muitas vezes é impossível rastrear cada átomo de uma molécula; os pesquisadores geralmente veem apenas alguns pontos-chave, como as extremidades de uma fita ou pontos marcados específicos. A equipe mostrou que o EquiNET ainda pode funcionar com essa visão limitada. Quando alimentaram o sistema apenas com as coordenadas de algumas contas do grampo, ele não conseguiu determinar a diferença exata de energia, mas pôde fornecer um limite matemático estrito. Ele informou que a verdadeira diferença de energia deveria estar abaixo de um certo valor. Esse limite era surpreendentemente apertado, permanecendo muito próximo do valor real, o que sugere que, mesmo com informações parciais, os cientistas podem obter percepções confiáveis sobre a estabilidade de estruturas biológicas complexas.

Os pesquisadores também investigaram quanto dado é necessário para tornar essas previsões precisas. Eles descobriram que o método converge rapidamente; em suas simulações, precisaram de apenas cerca de mil trajetórias para recuperar uma grande fração da verdadeira perda de energia. Isso é uma melhoria significativa em relação aos métodos antigos, que poderiam exigir milhões ou bilhões de tentativas para encontrar os poucos eventos raros dos quais dependem. A equipe também descobriu uma maneira de verificar se o experimento foi longo o suficiente. Ao observar a taxa de perda de energia conforme a simulação terminava, eles podiam dizer se a molécula realmente havia retornado a um estado de calma. Se a taxa de perda de energia não caísse para zero, significava que a molécula ainda estava relaxando, e a janela de observação precisava ser estendida. Isso fornece uma ferramenta de diagnóstico integrada para que os experimentalistas saibam quando reuniram informações suficientes.

Em última análise, este trabalho oferece um novo caminho para compreender a energia da maquinaria da vida. Ao mudar o foco de eventos raros e improváveis para as flutuações comuns e cotidianas de um sistema, o EquiNET permite que os pesquisadores meçam paisagens de energia em condições que antes eram complexas demais para serem analisadas. Seja estudando como as proteínas se dobram, como os medicamentos se ligam aos alvos ou como materiais sintéticos respondem ao estresse, esta técnica fornece uma maneira robusta de enxergar a energia invisível que os impulsiona. Ela transforma o problema da alta dissipação de um beco sem saída em um quebra-cabeça solucionável, usando o próprio ruído que antes tornava a medição impossível.