PROTOCOLO DE MODELADO DE GRANO
GRUESO DEL ÁCIDO ARAQUIDÓNICO EN
GROMACS BASADO EN SIRAH
A COARSE-GRAINED MODELING PROTOCOL FOR
ARACHIDONIC ACID USING GROMACS BASED ON
SIRAH
Luciano Robert-Jiménez
Tecnológico Nacional de México, México
Elian San Martín Cruz
Tecnológico Nacional de México, México
Susana Figueroa-Gerstenmaier
Universidad de Guanajuato , México
Salvador Herrera-Velarde
Tecnológico Nacional de México, México
pág. 1380
DOI: https://doi.org/10.37811/cl_rcm.v10i2.23189
Protocolo de Modelado de Grano Grueso del Ácido Araquidónico en
GROMACS basado en SIRAH
Luciano Robert-Jiménez1
luciano.robert@itsx.edu.mx
https://orcid.org/0009-0009-4473-9580
Tecnológico Nacional de México;
Campus: Tecnológico Superior de Xalapa;
Veracruz, México
Elian San Martín Cruz
187o04438@itsx.edu.mx
https://orcid.org/0009-0008-2423-7180
Tecnológico Nacional de México;
Campus: Tecnológico Superior de Xalapa;
Veracruz, México
Susana Figueroa-Gerstenmaier
sfigueroa@fisica.ugto.mx
https://orcid.org/0000-0003-0921-1165
Departamento de Ingenierías Química,
Electrónica y Biomédica, Campus León.
Universidad de Guanajuato
Guanajuato, México
Salvador Herrera-Velarde
salvador.hv@xalapa.tecnm.mx
https://orcid.org/0000-0002-7969-7087
Tecnológico Nacional de México;
Campus: Tecnológico Superior de Xalapa;
Veracruz, México
RESUMEN
La dinámica molecular es una metodología numérica que se ha empleado con gran éxito para modelar
y simular una gran variedad de sistemas biomoleculares. El auge de esta metodología se debe en gran
parte al uso de software especializado que facilita la preparación y simulación del sistema de interés y
además proporciona herramientas para el análisis de las trayectorias dinámicas. Un inconveniente que
presenta este tipo de software es que por construcción únicamente es posible modelar aquellas
biomoléculas que están definidas en los denominados campos de fuerza. Si la molécula de interés no
está presente en el campo de fuerza a emplear, entonces, el usuario podría construir dicha molécula a
partir de la información preexistente en el campo de fuerza. En este trabajo se presenta el protocolo para
modelar mediante grano grueso el ácido araquidónico empleando el software de uso libre GROMACS
en conjunto con el campo de fuerza SIRAH. Se presentan resultados del montaje de un sistema
monocomponente en presencia de solvente explícito, así como el análisis de la función de distribución
radial. La estructura del ácido araquidónico se mantiene estable y se observa la formación espontánea
de aglomerados en la suspensión. Este protocolo permitirá a otros usuarios utilizar el ácido araquidónico
en sus propias simulaciones o bien, seguir un proceso similar para definir sus propias moléculas de
interés.
Palabras clave: ácido araquidónico, grano grueso, SIRAH, GROMACS
1
Autor principal
Correspondencia: salvador.hv@xalapa.tecnm.mx
pág. 1381
A Coarse-Grained Modeling Protocol for Arachidonic Acid using
GROMACS based on SIRAH
ABSTRACT
Molecular dynamics is a numerical methodology that has been successfully used to model and simulate
a wide variety of biomolecular systems. The widespread adoption of this methodology is largely due to
the availability of specialized software that facilitates system preparation and simulation, while also
providing tools for the analysis of dynamic trajectories. One limitation of such software is that, by
design, it can only simulate biomolecules that are defined within the so-called force fields. If the
molecule of interest is not available in the selected force field, the user may construct it based on pre-
existing information within the same framework. This work presents a protocol to model arachidonic
acid using a coarse-grained approach, implemented through the open-source GROMACS software in
combination with the SIRAH force field. We present results from the setup of a monocomponent system
in explicit solvent, as well as the analysis of the radial distribution function. The structure of arachidonic
acid remains stable throughout the simulation, and spontaneous aggregation is observed in the
suspension. This protocol may serve as a reference for other users wishing to incorporate arachidonic
acid into their own simulations or to define other molecules of interest following a similar procedure.
Keywords: arachidonic acid, coarse-grain, SIRAH, GROMACS
Artículo recibido 19 febrero 2026
Aceptado para publicación: 23 marzo 2026
pág. 1382
INTRODUCCIÓN
La dinámica molecular es uno de los primeros métodos de simulación computacional que surgió
alrededor de los años 60’s. En sus inicios se empleó para estudiar las propiedades de sistemas de esferas
duras (Alder & Wainwright, 1959) y, unos años más tarde, las propiedades del argón en estado líquido
(Rahman, 1964). A finales de los años 70’s se realizó la primera simulación de un sistema biomolecular
(McCammon, Gelin, & Karplus, 1977). El recorrido desde esta primera simulación de una proteína
hasta la fecha, no ha sido sencillo, sin embargo, la dinámica molecular ha tenido un progreso enorme.
En particular, el modelado de las interacciones, junto con la velocidad y robustez de los algoritmos, ha
experimentado un avance significativo (Karplus & Lavery, 2014).
Una de las características distintivas de la dinámica molecular (DM) es que a partir de la ecuación de
movimiento de Newton es posible conocer las posiciones y velocidades individuales de cada partícula,
esto a su vez da lugar al análisis y estudio de las propiedades estructurales y dinámicas del sistema de
interés (Robert-Jiménez, 2023). Por otro lado, una gran ventaja de la DM es que las funciones que
modelan las interacciones entre partículas (potenciales de interacción), pueden “prenderse” o “apagarse”
a voluntad del simulador, es decir, es posible poner o quitar alguna interacción para explorar la
importancia o el efecto que tiene sobre el comportamiento y propiedades del sistema (Karplus & Lavery,
2014).
Aunado a lo anterior, en la actualidad se reconoce ampliamente que la simulación computacional no
solo sirve para corroborar resultados experimentales, sino que también se ha consolidado como una
herramienta poderosa con un sólido poder predictivo (Wong-ekkabut & Karttunen, 2016). En el caso
particular de la DM, se emplea como guía para interpretar resultados experimentales y, en ocasiones,
los papeles se han invertido pues el trabajo experimental ha encontrado su motivación al buscar
corroborar resultados de simulación (Karplus & Lavery, 2014). Un claro reflejo de la importancia del
campo de la simulación computacional de sistemas biomoleculares son los dos premios nobel que se
han otorgado dentro de esta área de investigación. En el 2013 se otorgó a Martin Karplus, Michael Levitt
y Arieh Warshel por su trabajo en el desarrollo de modelos multiscala en sistemas químicos complejos.
De manera más reciente, en el 2024, este premio lo ganaron David Baker, Demis Hassabis y John M.
Jumper debido a sus contribuciones en el diseño computacional de proteínas y la predicción de sus
pág. 1383
estructuras utilizando inteligencia artificial.
En la última década, la DM se ha popularizado en gran medida debido al incremento en el poder
computacional en equipos personales. El aumento en el número de procesadores, capacidad de memoria
RAM, uso de discos de estado sólido e integración de GPUs ha permitido realizar simulaciones
biomoleculares de manera más eficiente y accesible. Otro factor clave en la expansión de la DM es la
amplia disponibilidad de software especializado. Entre los programas más utilizados destacan
GROMACS, NAMD, LAMMPS y AMBER, entre otros. Este tipo de software se caracteriza por su alta
eficiencia en el uso de recursos computacionales, lo que permite modelar sistemas cada vez más
complejos en términos de interacciones y número de partículas, al mismo tiempo que se alcanzan escalas
de tiempo más cercanas a las observadas experimentalmente. Si bien estos avances han hecho que la
DM sea más accesible en equipos personales, sigue existiendo la necesidad de realizar simulaciones a
gran escala que aún dependen del uso de supercomputadoras, especialmente cuando se requiere modelar
sistemas de gran tamaño o escalas temporales cercanas al experimento.
La DM es un método de simulación que sigue la mecánica clásica y, en general, su objetivo es simular
el movimiento de un sistema de partículas (Robert-Jiménez, 2023). Para tener éxito es imprescindible
tener conocimiento del potencial de interacción, esto es, de las funciones para modelar la interacción
entre partículas. Una vez definida la función potencial es posible obtener las fuerzas y con ello, resolver
las ecuaciones de movimiento de cada partícula (Karplus & Lavery, 2014). Al conjunto de funciones
potencial y colección de parámetros asociados a dichas ecuaciones se le denomina campo de fuerza. Un
campo de fuerza está compuesto de términos que representan interacciones de enlace, restricciones en
ángulos, torsiones y términos para aquellas partículas separadas una cierta distancia: interacciones de
van der Waals y electrostáticas.
Todo software de DM incluye un cierto número de campos de fuerza y, aunque la forma funcional de
los campos de fuerza es similar para todos ellos, transferir o emplear un campo de fuerza de un software
a otro no es una tarea sencilla. Por otro lado, cada campo de fuerza se basa en un conjunto de
biomoléculas y átomos cuyos parámetros fueron determinados previamente, ya sea mediante
simulaciones más sofisticadas o para reproducir datos experimentales en condiciones específicas.
Entonces, al escoger un campo de fuerza, el usuario está restringido a trabajar con las moléculas que
pág. 1384
vienen definidos en él y a utilizar los parámetros para dicho campo de fuerza. En general, no es
recomendable mezclar campos de fuerza, es decir, combinar funciones y parámetros de distintos campos
puede generar inconsistencias físicas en los resultados (Monticelli & Tieleman, 2013).
En este trabajo mostramos el proceso para incorporar una molécula que no está incluida en la base de
datos del campo de fuerza de grano grueso SIRAH. En particular, debido a la afinidad con las líneas de
investigación de nuestro grupo de trabajo, el protocolo presentado se ha diseñado para el ácido
araquidónico; sin embargo, los pasos a seguir para otras biomoléculas deberían ser similares. La
construcción del ácido araquidónico se realiza siguiendo los principios de parametrización de SIRAH y
utilizando las definiciones preestablecidas de moléculas y partículas en este campo de fuerza. Más que
un análisis detallado de las propiedades fisicoquímicas del AA, buscamos proporcionar una guía
metodológica que pueda servir a otros investigadores interesados en extender el uso de SIRAH a nuevas
biomoléculas.
En la siguiente sección se presenta una descripción general del ácido araquidónico y, principalmente, el
procedimiento para incorporar esta molécula en el campo de fuerza SIRAH empleando el software
GROMACS. Posteriormente, se detallan aspectos clave de la dinámica molecular, así como los
resultados del modelado y simulación de un sistema compuesto exclusivamente por moléculas de ácido
araquidónico. Finalmente, se presentan observaciones y perspectivas para trabajos futuros.
METODOLOGÍA
El ácido araquidónico (AA) se caracteriza por su flexibilidad conformacional atribuida a la presencia de
múltiples dobles enlaces en su estructura, esto le permite interactuar con proteínas y, a su vez, al
incorporarse en los fosfolípidos de la bicapa lipídica contribuye a la fluidez de las membranas celulares.
Está presente en tejidos como el músculo esquelético, el cerebro, el hígado y la retina, donde forma parte
de los fosfolípidos de membrana. Además, ha sido ampliamente utilizado en estudios biológicos como
agente inductor de agregación de proteínas (Hanna & Hafez, 2018).
En la simulación computacional mediante DM existen, de forma general, dos tipos de modelado:
atomístico y grano grueso. En la dinámica con modelación atomística se emplea una representación
explícita, es decir, cada átomo de la proteína está presente en el sistema de simulación. Un sistema
atomístico que contiene una o más proteínas, más el solvente, puede contener miles o hasta millones de
pág. 1385
átomos, interactuando unos con otros. Por otro lado, los modelos de grano grueso (CG, del inglés Coarse
Grain) reducen el número de partículas en la simulación y, por consiguiente, disminuye el costo
computacional. Por ejemplo, si una molécula está representada por 120 átomos en un modelo atomístico,
en un modelo CG, la misma molécula se podría representar con 10 o 12 partículas o beads (un bead de
grano grueso es una representación esférica de un aglomerado de partículas o átomos) (Robert-Jiménez,
2023). Además de la reducción en el número de partículas, en el modelado de grano grueso también se
emplea un paso en el tiempo más largo en comparación con el modelado atomístico. Ambas
características permiten, por un lado, simular sistemas más grandes y, por otro lado, acelerar la dinámica
y acceder a escalas temporales más cercanas a las experimentales (Ingólfsson et al., 2014).
Los procesos de agregación de proteínas requieren escalas temporales muy grandes, por lo cual su
estudio con DM atomística es computacionalmente muy costoso en la mayoría de los casos. Por ello, en
muchas ocasiones la única vía para observar la ruta de formación de olígomeros es a través del modelado
de grano grueso. En nuestro grupo de trabajo estamos interesados en emplear el AA en la inducción de
la agregación de proteínas desordenadas. Para este objetivo, tenemos contemplado emplear el campo de
fuerzas de grano grueso SIRAH (Darré et al., 2015). Sin embargo, el ácido araquidónico no forma parte
del conjunto de biomoléculas de dicho campo. Aquí presentamos la metodología para su modelación y
simulación en SIRAH; se explican los pasos que seguimos, la forma de modificar los archivos base así
como las condiciones y parámetros bajo los cuales se llevará a cabo la simulación de un sistema
monocomponente.
El protocolo que se detalla a continuación fue diseñado para el paquete de simulación GROMACS
empleando el campo de fuerzas de grano grueso SIRAH. GROMACS es un paquete de software
especializado en realizar simulación de dinámica molecular enfocado principalmente en moléculas
bioquímicas como proteínas, lípidos y ácidos nucleicos (GROMACS Development Team, 2024).
Además, proporciona un conjunto de herramientas para auxiliar en la preparación de la configuración
inicial, esto es, en el argot de la simulación, para "montar" el sistema, así como funciones que permiten
realizar el análisis de una gran variedad de observables físicos (Páll et al., 2020). Por otro lado, SIRAH,
es un campo de fuerzas CG propuesto inicialmente para proteínas con estructura nativa bien definida
pero, recientemente, se demostró que también permite modelar proteínas intrínsicamente desordenadas.
pág. 1386
SIRAH utiliza su propio modelo de agua explícito Wat-Four (WT4). Cada molécula de WT4 representa
11 moléculas de agua reales en el esquema de CG. SIRAH no utiliza un factor de reducción, esto es, su
filosofía de grano grueso no está basada en representar un cierto número de átomos por una partícula
CG (bead), más bien lo que se busca es preservar la interacción más relevante durante el mapeo de
atomístico a grano grueso (Darré et al., 2015). SIRAH proporciona las herramientas necesarias para
realizar la conversión del modelado atomístico al de grano grueso y viceversa (Machado & Pantano,
2016).
Al no estar presente el AA de manera natural en el campo de fuerzas SIRAH, no es posible simular un
sistema biomolecular que contenga moléculas de AA. Por ello, es necesario introducir esta molécula en
la base de datos de SIRAH. Lo primero a realizar es obtener la representación del AA (C20H32O2), en
modelado atomístico. Es importante que esta se encuentre en un campo de fuerza que actualmente sea
identificado por SIRAH, tales como AMBER, GROMOS, OPLS o CHARM32 y que existan los
parámetros específicos para realizar la conversión. Para este trabajo utilizamos una estructura obtenida
de la plataforma web ATB (University of Queensland, n.d.), ID: 32981, en el campo de fuerzas
atomístico GROMOS 54A7.
Para asegurar la compatibilidad del AA con los parámetros de proteínas ya definidos en el campo de
fuerza SIRAH, se utilizaron tipos de beads que representan grupos funcionales previamente
parametrizados. El AA contiene cuatro clases distintas de carbono (C) (Fig. 1): (a) carbono (rojo), con
un doble enlace a oxígeno (O), un enlace simple a otro O y un enlace a otro C; (b) carbono (verde), con
dos enlaces covalentes simples a hidrógenos (H) y dos enlaces simples a otro C; (c) carbono (azul), con
un enlace simple a un C, un doble enlace a otro C y un enlace a un H; y (d) carbono (rosa), con un enlace
a otro C y tres enlaces a H.
pág. 1387
Figura 1. Representación esquemática en modelado atomístico del AA
En el modelo de grano grueso los átomos de H son ignorados. Por consiguiente, el siguiente paso
consiste en identificar los tipos de cada uno de los C en el campo de fuerza SIRAH:
C-Tipo 1: Carbono del AA con doble enlace al O, un enlace a otro O y un enlace al C (Fig. 1; C en color
rojo). Este primer tipo de C es equivalente al tipo de C que aparece en la definición del ácido glutámico;
está unido con dos átomos de O donde uno de ellos presenta un doble enlace. Por consiguiente, este
bead del AA lo denominaremos C1 que en SIRAH le corresponde el nombre BCD. Por otro lado, los
dos átomos de O tienen asignados los nombres BOE1 y BOE2, respectivamente. A nivel de grano grueso
y acorde a SIRAH esto queda representado por los beads C4Ce y C6O (Fig. 2)
Figura 2. Extracto de la información relativa al ácido glutámico, tomada de los archivos aminoacids.rtp
y atomtypes.atp, que forman parte del campo de fuerza SIRAH
De las moléculas que ya están parametrizadas en SIRAH se encuentran los fosfolípidos: POPC, POPE
y POPS (Barrera et al., 2019). Para nuestro propósito nos centraremos únicamente en el POPC que
pág. 1388
contiene los 3 tipos restantes de C que buscamos.
C-Tipo 2: Carbono con dos enlaces covalentes simples a H y dos enlaces simples a otro C (Fig. 1; C en
color verde). Este tipo de C se homologa con cualquiera de los carbonos que pertenecen a las cadenas
del POPC que no tengan un doble enlace o que no estén al final de la cadena. Este carbono atomístico
se corresponde en SIRAH con los carbonos del tipo BC* (donde el * indica un número entero). Todos
estos últimos beads son del tipo Y2C (Fig. 3).
C-Tipo 3: Carbono tiene un enlace a un C, doble enlace a otro C, y un enlace a un H (Fig. 1; C en color
azul). Este tipo de C, se corresponde en SIRAH con BC23 y es un bead del tipo A1C (Fig. 3).
C-Tipo 4: Carbono que tiene un enlace a otro C y tres enlaces a átomos de H (Fig. 1; C en color rosa).
Este tipo de C se corresponde en SIRAH con el BCT2, cuyo tipo de bead es Y4C .
Figura 3. Se presenta un extracto de la información relativa al fosfolípido POPC, tomada de los archivos
lipid.rtp y atomtypes.atp, que forman parte del campo de fuerza SIRAH.
Una vez identificados todos los beads necesarios para construir la topología del ácido araquidónico, el
siguiente paso es copiar exactamente los parámetros de las moléculas base (nombre, tipo, carga y
número de bead) a un archivo del tipo .rtp. Se puede generar un nuevo archivo o agregar la información
a uno de los archivos rtp ya existentes. Además, en la definición de la molécula se escriben los enlaces
de los beads en la sección [bonds]. En el caso de la sección [angles], [dihedrals] e [impropers] no son
obligatorios debido a que el programa pdb2gmx automáticamente genera todos los ángulos, los ángulos
diedros y los ángulos diedros impropios. En este trabajo nombramos a la nueva molécula AAC y en el
archivo residuetypes.dat, agregamos este nombre para que sea reconocida en GROMACS (Fig. 4a).
pág. 1389
La siguiente etapa consiste en crear un archivo que realizará el mapeo de los átomos del ácido
araquidónico (C20H32O2) en el campo de fuerza atomístico GROMOS54A7 a los beads de SIRAH. Este
es un archivo con extension .map (/sirah.ff/tools/CCONV/maps). Para crear este archivo nos basamos
en la en la misma nomenclatura de la sección [POPC] del archivo tieleman_lipid.map. Considerando
que en SIRAH los H son descartados, entonces, los primeros 3 átomos son: C-Tipo 1 y los dos enlaces
de O, estos átomos se mapean con los beads BCD, BOE1 y BOE2 . El siguiente átomo es el C-Tipo 2
que se convertirá al bead BC11. Los siguientes átomos son del C-Tipo 3 y se mapean a BI11, BI12,
BI13 y BI14. Finalmente, el átomo C18 mapea al BC12 y el C20 corresponde C-Tipo 4 y se mapea al
bead BCT2. La Fig. 4b muestra como quedó la definición del mapeo.
Figura 4. Se muestra un extracto de la información correspondiente a la implementación del ácido
araquidónico en GROMACS, basada en el campo de fuerza SIRAH. La definición del lípido se
encuentra en: a) el archivo lipid.rtp y b) un nuevo archivo de mapeo .map.
a) b)
El siguiente paso es generar un archivo del tipo .itp para definir los parámetros de las interacciones de
los enlaces, ángulos de enlace, diedros propios e impropios. Los parámetros en esta base de datos
describen, respectivamente, los tipos de átomos en las interacciones, el tipo de interacción y los
parámetros de equilibrio asociados con esa interacción. Esta información es leída por GROMACS a
pág. 1390
través de grompp; esta herramienta lee el archivo de topología de la molécula (topol.top), verifica la
validez del archivo y escribe los parámetros relevantes. Cualquier parámetro enlazado que falte en la
directiva relevante [*type] genera un error fatal. La información para el AA se muestra en la Fig. 5.
Figura 5. Información relativa a los parámetros en SIRAH del ácido araquidónico para las interacciones
de enlace, ángulos de enlace, diedros propios e impropios.
El nombre del archivo itp que contiene la información de los bondtypes, angletypes y dihedraltypes debe
incluirse en el campo de fuerza SIRAH. Esto se logra agregando la directiva include con el nombre del
archivo en forcefield.itp. Por otro lado, los parámetros para las interacciones de no-enlace
(electrostáticas y de van der Waals) ya están definidos en el archivo ffnonbonded.itp.
En la Fig. 6 se muestra la molécula del ácido araquidónico y cómo queda definida en el campo de fuerza
SIRAH. El C-Tipo 1 se muestra en color rojo y los dos oxígenos que los acompañan en color blanco; el
C-Tipo 2 se muestra en color verde; el C-Tipo 3 (doble enlace) se muestra en color azul y el C-Tipo 4
en color rosa. La visualización se realizó utilizando las herramientas de SIRAH en VMD, esto es, en el
software Visual Molecular Dynamics (Humphrey, Dalke, & Schulten, 1996)
pág. 1391
Figura 6. Visualización del ácido araquidónico en su representación de grano grueso utilizando el
software VMD
Para poner a prueba la implementación del AA en SIRAH, realizamos una simulación de un sistema
monocomponente en presencia de iones y un solvente explícito empleando condiciones periódicas a la
frontera en las tres dimensiones. La estructura atomística inicial fue la misma con la cual se realizó el
modelado de grano grueso, esto es, en el campo de fuerzas GROMOS 54A7. Se empleó GROMACS
versión 2019 junto con SIRAH versión 2.2_20-07.
Se preparó un sistema con 500 moléculas distribuidas aleatoriamente en una caja cúbica en presencia
del solvente explicito WT4 y una concentración de iones para neutralizar la carga. El sistema se
minimizó con el algoritmo de descenso más pronunciado. Después se sometió a 2 fases de equilibrio de
20 ns cada una. La primera etapa se ejecutó en el ensamble canónico NVT mientras que la segunda fase
se realizó en el ensamble isobárico-isotérmico NPT utilizando el baróstato Berendsen.
La última etapa tuvo una duración de 550 ns; se empleó el algoritmo salto de rana (leap-frog) con un
paso de tiempo de 20 fs en el ensamble NPT. Para mantener la temperatura se utilizó un termostato de
reescalado de velocidad (V-rescale) a 310 K y el baróstato de Parrinello-Rahman a 1 bar. Para el cálculo
de las interacciones electrostáticas de largo alcance se utilizó el método PME (Particle Mesh Ewald)
con un radio de corte de 1.2 nm y un espacio de separación en la malla de 0.2 nm. Por último, para las
interacciones de vdW (van der Waals) radio de corte de 1.2 nm.
pág. 1392
RESULTADOS Y DISCUSIÓN
A continuación, se presentan los resultados para un sistema de 500 moléculas de AA mediante modelado
de grano grueso empleando SIRAH. Lo primero a observar es la integridad estructural del AA, esto es,
no se presentó el rompimiento de enlaces covalentes ni alteraciones significativas en ángulos o dihedros.
Esto sugiere que la parametrización realizada es adecuada para describir la geometría y flexibilidad de
la molécula dentro del campo de fuerza SIRAH.
La visualización del montaje del sistema y análisis visual de la trayectoria se realizó en VMD. En la
Figura 7 se muestran algunas instantáneas (snapshots) de la evolución del sistema a distintos tiempos;
en la Fig. 7a se presenta la configuración inicial previa a las etapas de equilibrio donde el AA se
representa en color rosa, las esferas azules son átomos de sodio, y el solvente se muestra con líneas en
color azul claro. En los otros snapshots el solvente se ha omitido para facilitar la visualización de los
agregados. El sistema parte de una configuración donde todas las moléculas de AA están dispersas en
la caja de simulación de manera aleatoria. Conforme transcurre el tiempo comienza un proceso de
autoensamblaje esto es, se observa la formación de agregados.
pág. 1393
Figura 7. Snapshots del sistema de 500 moléculas de AA en SIRAH a distintos tiempos: a) 0 ns:
configuración inicial del sistema. El AA se muestra en color rosa, los iones de Na en color azul y el
solvente en verde claro; b) 20 ns: final de la primera etapa de equilibrio NVT c) 250 ns y d) 500 ns de
la última etapa (producción de trayectorias).
La formación de micelas, es decir, estructuras o agregados moleculares con geometría esférica, es una
característica típica de sistemas compuestos por moléculas anfipáticas, así como de ciertos péptidos y
proteínas que presentan regiones hidrofóbicas e hidrofílicas (Sammalkorpi, Karttunen, & Haataja,
2007). Desde una perspectiva computacional, las simulaciones atomísticas de procesos de
autoensamblaje resultan altamente demandantes en términos de tiempo máquina e infraestructura
computacional, debido a la necesidad de modelar de forma detallada un gran número de partículas y sus
interacciones en grandes escalas de tiempo. Sin embargo, mediante el uso de un modelado de grano
grueso, como el propuesto en este trabajo, es posible observar y analizar este tipo de procesos utilizando
recursos computacionales relativamente modestos.
Para el sistema de AA el autoensamblaje se observó desde las etapas iniciales de la simulación, esto es,
durante las etapas de equilibrio. Inicialmente, las moléculas de AA se colocaron de manera aleatoria
uniformemente distribuidas en la caja de simulación y desde los primeros 20 ns se inició la formación
b)
a)
d)
c)
pág. 1394
de micelas, evidenciada por la agrupación progresiva de las moléculas en estructuras esféricas que
continuaron evolucionando.
El acomodo espacial de las partículas en la caja de simulación se monitoreó a través de la función de
distribución radial (RDF por sus siglas en inglés). La RDF mide la probabilidad de encontrar una
partícula a una cierta distancia dado que una partícula central está en el origen. Esta función se puede
obtener utilizando las herramientas de análisis de GROMACS al promediar sobre todas las
configuraciones de equilibrio.
La Figura 8 muestra la RDF que caracteriza el comportamiento del C-Tipo I (color rosa en Fig. 6) y del
centro de masa de las moléculas de AA. La RDF de la Fig. 8a presenta las siguientes propiedades: a)
debido al carácter repulsivo del potencial electrostático las partículas no sienten el efecto de esfera dura,
esto es, nunca llegan a tocarse; esto se ve reflejado en los valores iniciales de la RDF que son igual a
cero b) se tiene un primer pico, el de mayor altura, indicando que la primera capa de vecinos se
encuentran a una distancia aproximada de 0.8 nm, mientras que los segundos vecinos están a una
distancia 1.36 nm; c) el rápido decaimiento de la RDF a su valor de equilibrio nos indica que
prácticamente las correlaciones entre los beads BCD únicamente se presentan entre beads que
pertenecen al mismo agregado.
Para el caso de la RDF del centro de masa de los AA, Fig. 8b, se observa lo siguiente: a) la RDF tiene
valores distintos a cero antes del primer pico, indicando que las moléculas de AA pueden interpenetrarse
unas con otras; b) únicamente hay un pico principal a una distancia aproximada de 0.67 nm, indicando
que las correlaciones entre las moléculas de AA sólo se presentan en aquellas que son parte de la misma
estructura micelar; a distancias mayores se pierden rápidamente las correlaciones y la RDF adquiere su
valor de gas-ideal, corroborando nuevamente que no hay correlaciones entre micelas; y c) el ancho del
primer pico, a diferencia de la RDF de los beads BCD, es un indicativo que no hay una distancia
característica entre los centro de masa de los AA.
pág. 1395
Figura 8. Función de Distribución Radial del sistema de 500 moléculas de AA, tomando como
referencia: a) el bead BCD (C-Tipo I) y b) el centro de masa de los AA.
CONCLUSIONES
Al utilizar un software de simulación, el usuario está limitado por las moléculas y parámetros
previamente definidos en los campos de fuerza ya existentes. Si una molécula de interés no está presente
por defecto pero, su estructura y parámetros son compatibles con el campo de fuerza seleccionado,
entonces es posible construir la nueva molécula a partir de las definiciones ya existentes. En este trabajo
presentamos el proceso para introducir la molécula de ácido araquidónico en el campo de grano grueso
SIRAH empleando el paquete de DM GROMACS. Con el fin de mostrar la implementación y
estabilidad del ácido araquidónico, se realizaron simulaciones de un sistema monocomponente, en el
cual se observó un proceso de autoensamblaje que dio lugar a la formación de micelas. Se espera que
este protocolo sirva como guía para otros usuarios que enfrenten una situación similar, que deseen
construir la molécula de ácido araquidónico para estudios más sistemáticos, o que busquen emplearla
en sistemas multicomponentes.
REFERENCIAS BIBLIOGRÁFICAS
Alder, B. J., & Wainwright, T. E. (1959). Studies in molecular dynamics. I. General method. The Journal
of Chemical Physics, 31(2), 459–466. https://doi.org/10.1063/1.173037
Barrera, E. E., Machado, M. R., & Pantano, S. (2019). Fat SIRAH: Coarse-grained phospholipids to
explore membrane–protein dynamics. Journal of Chemical Theory and Computation, 15(10),
5674–5688. https://doi.org/10.1021/acs.jctc.9b00435
a)
b)
pág. 1396
Darré, L., Machado, M. R., Brandner, A. F., González, H. C., Ferreira, S., & Pantano, S. (2015). SIRAH:
A structurally unbiased coarse-grained force field for proteins with aqueous solvation and long-
range electrostatics. Journal of Chemical Theory and Computation, 11(2), 723–739.
https://doi.org/10.1021/ct500747c
GROMACS Development Team. (2024). GROMACS: High-performance molecular dynamics.
https://www.gromacs.org
Hanna, V. S., & Hafez, E. A. A. (2018). Synopsis of arachidonic acid metabolism: A review. Journal of
Advanced Research, 11, 23–32. https://doi.org/10.1016/j.jare.2018.03.005
Humphrey, W., Dalke, A., & Schulten, K. (1996). VMD: Visual Molecular Dynamics (versión 1.9.3)
[Software]. University of Illinois at Urbana-Champaign.
https://www.ks.uiuc.edu/Research/vmd/
Ingólfsson, H. I., Lopez, C. A., Uusitalo, J. J., de Jong, D. H., Gopal, S. M., Periole, X., & Marrink, S.
J. (2014). The power of coarse graining in biomolecular simulations. WIREs Computational
Molecular Science, 4(3), 225–248. https://doi.org/10.1002/wcms.1169
Karplus, M., & Lavery, R. (2014). Significance of molecular dynamics simulations for life sciences.
Israel Journal of Chemistry, 54(8–9), 1042–1051. https://doi.org/10.1002/ijch.201400074
Machado, M. R., & Pantano, S. (2016). SIRAH tools: Mapping, backmapping, and visualization of
coarse-grained models. Bioinformatics, 32(10), 1568–1570.
https://doi.org/10.1093/bioinformatics/btw020
McCammon, J. A., Gelin, B. R., & Karplus, M. (1977). Dynamics of folded proteins. Nature, 267, 585–
590. https://doi.org/10.1038/267585a0
Monticelli, L., & Tieleman, D. P. (2013). Force fields for classical molecular dynamics. En L. Monticelli
& E. Salonen (Eds.), Biomolecular simulations: Methods and protocols (pp. 197–213). Springer.
https://doi.org/10.1007/978-1-62703-017-5_8
Páll, S., Zhmurov, A., Bauer, P., Abraham, M., Lundborg, M., Gray, A., Hess, B., & Lindahl, E. (2020).
Heterogeneous parallelization and acceleration of molecular dynamics simulations in
GROMACS. The Journal of Chemical Physics, 153(13), 134110.
https://doi.org/10.1063/5.0023010
pág. 1397
Rahman, A. (1964). Correlations in the motion of atoms in liquid argon. Physical Review, 136(3A),
A405–A411. https://doi.org/10.1103/PhysRev.136.A405
Robert-Jiménez, L. (2023). Modelamiento y simulación molecular de grano grueso del mecanismo de
auto agregación de la proteína Tau (Tesis de Maestría, Instituto Tecnológico Superior de
Xalapa).
Sammalkorpi, M., Karttunen, M., & Haataja, M. (2007). Structural properties of ionic detergent
aggregates: A large-scale molecular dynamics study of sodium dodecyl sulfate. The Journal of
Physical Chemistry B, 111(40), 11722–11733. https://doi.org/10.1021/jp072587a
University of Queensland. (n.d.). Automated Topology Builder and Repository (ATB). Recuperado el 18
de marzo de 2025 de https://atb.uq.edu.au/
Wong-ekkabut, J., & Karttunen, M. (2016). The good, the bad and the user in soft matter simulations.
Biochimica et Biophysica Acta (BBA) - Biomembranes, 1858(10), 2529–2538.
https://doi.org/10.1016/j.bbamem.2016.07.008
