Promotionsvortrag von Maria Kelidou

Diese Arbeit präsentiert ein automatisiertes Verfahren zur grobkörnigen Parametrisierung kleiner Moleküle mittels gemischtvariabler Particle Swarm Optimisation (PSO). Grobkörnige Molekülmodelle erweitern die in Molekulardynamik-Simulationen zugänglichen Zeit- und Längenskalen, ihre Parametrisierung erfordert jedoch häufig einen hohen manuellen Aufwand sowie umfangreiche Expertenkenntnisse. Zur Bewältigung dieser Herausforderung wird innerhalb des CGCompiler-Frameworks ein systematischer Optimierungsworkflow entwickelt, der Molekulardynamik-Simulationen mit gemischtvariabler PSO kombiniert, um gemischt diskretkontinuierliche Parameterräume effizient zu durchsuchen.
Die Arbeit behandelt die theoretischen Grundlagen der Particle Swarm Optimisation, Methoden der Molekulardynamik sowie Ansätze der grobkörnigen Modellierung für die Parametrisierung kleiner Moleküle. Innerhalb des Workflows werden die Parameter grobkörniger Modelle iterativ optimiert, indem Simulationsergebnisse anhand geeigneter Zielgrößen mit Referenzdaten aus Experimenten und atomistischen Simulationen verglichen werden.
Die Methodik wird zunächst auf Dopamin und Serotonin angewendet, zwei biologisch relevante kleine Moleküle, für die keine bestehenden grobkörnigen Martini-Modelle verfügbar waren. Zur Bewertung des automatisierten Ansatzes gegenüber manuellen Parametrisierungsstrategien werden zusätzlich Parametrisierungen für zwei kleine Moleküle mit bereits vorhandenen manuell entwickelten Martini-Modellen durchgeführt. Der vorgestellte Ansatz leistet damit einen Beitrag zu reproduzierbareren und stärker automatisierten Strategien der grobkörnigen Parametrisierung kleiner Moleküle.