没有拓扑文件Task 2: 𝑅!! and 𝑅" # for N个frames for n_mol个分子 𝑅44 = 𝑅 𝑛 − 𝑅 0 计算 𝑅44 i,𝑡 𝑅5 ! = ' 8 ∑ #6' 0 𝑚 # 𝑟# − 𝑟-7 ! 计算𝑅9 ! i,𝑡 • 输入: MD轨迹文件,dr, 开始帧,结束帧,帧的间隔 • 输出: 1. 对于某一条高分子链(第i条)作图,体现𝑅!! 𝑡 和 𝑅" # 𝑡 随时间的变化 2. 对于一段时间(p个frames),对于所有的高分子链的𝑅!! 和 𝑅" # 作统计分布
时间: 2024-03-25 21:41:27 浏览: 8
如果没有拓扑文件,可以使用 `MDAnalysis` 库中的 `Universe.from_trajectory()` 方法来生成 Universe 对象。该方法会自动从轨迹文件中读取拓扑信息。
具体实现可以参考以下代码:
```python
import MDAnalysis as mda
u = mda.Universe("trajectory.xtc")
```
这里假设轨迹文件为 `trajectory.xtc`。
接下来,计算 $R_{44}$ 和 $R_{5}$ 的方法与之前相同,可以参考前面的代码。
绘制 $R_{44}$ 和 $R_{5}$ 随时间的变化和分布统计的方法也与之前相同,可以参考前面的代码。需要注意的是,在计算 $R_{5}$ 值时,需要使用 `u.select_atoms()` 方法来选取周围的分子,具体方法可以参考以下代码:
```python
def compute_R5(u, i, t):
"""
计算第 i 条高分子链在 t 时刻的 R5 值
"""
sel = u.select_atoms(f"resid {i}")
r_i = sel.center_of_geometry()
r_7 = u.select_atoms(f"around {dr} center ({r_i[0]}, {r_i[1]}, {r_i[2]})").center_of_geometry()
r_5 = r_i - r_7
return r_5
```
这里使用 `u.select_atoms(f"around {dr} center ({r_i[0]}, {r_i[1]}, {r_i[2]})")` 来选取距离 $r_i$ 不超过 $dr$ 的周围分子。
完整代码如下:
```python
import numpy as np
import matplotlib.pyplot as plt
u = mda.Universe("trajectory.xtc")
def compute_R44(u, i, t):
"""
计算第 i 条高分子链在 t 时刻的 R44 值
"""
sel = u.select_atoms(f"resid {i}")
r_i = sel.center_of_geometry()
r_0 = u.select_atoms("all").center_of_geometry()
r_44 = r_i - r_0
return r_44
def compute_R5(u, i, t):
"""
计算第 i 条高分子链在 t 时刻的 R5 值
"""
sel = u.select_atoms(f"resid {i}")
r_i = sel.center_of_geometry()
r_7 = u.select_atoms(f"around {dr} center ({r_i[0]}, {r_i[1]}, {r_i[2]})").center_of_geometry()
r_5 = r_i - r_7
return r_5
start_frame = 0
end_frame = 100
skip_frame = 10
p = 10 # 分布统计的帧数
dr = 0.8 # 选取周围分子的半径
# 计算 R44 和 R5
R44_data = []
R5_data = []
for ts in u.trajectory[start_frame:end_frame:skip_frame]:
R44_i = compute_R44(u, i, ts.time)
R5_i = compute_R5(u, i, ts.time)
R44_data.append(R44_i)
R5_data.append(R5_i)
# 绘制 R44 随时间的变化
R44_data = np.array(R44_data)
plt.plot(u.trajectory[start_frame:end_frame:skip_frame].time, R44_data[:, 2])
plt.xlabel("Time (ps)")
plt.ylabel("R44 (nm)")
plt.title("R44 vs. Time")
plt.show()
# 绘制 R5 随时间的变化
R5_data = np.array(R5_data)
plt.plot(u.trajectory[start_frame:end_frame:skip_frame].time, R5_data[:, 2])
plt.xlabel("Time (ps)")
plt.ylabel("R5 (nm)")
plt.title("R5 vs. Time")
plt.show()
# 绘制 R44 和 R5 的分布统计
R44_statistics = []
R5_statistics = []
for ts in u.trajectory[start_frame:end_frame:p]:
R44_i = compute_R44(u, i, ts.time)
R5_i = compute_R5(u, i, ts.time)
R44_statistics.append(R44_i[2])
R5_statistics.append(R5_i[2])
plt.hist(R44_statistics, bins=20, density=True, alpha=0.5, label="R44")
plt.hist(R5_statistics, bins=20, density=True, alpha=0.5, label="R5")
plt.xlabel("Distance (nm)")
plt.ylabel("Probability Density")
plt.title("Distribution of R44 and R5")
plt.legend()
plt.show()
```
其中,`i` 表示第几条高分子链,`t` 表示时间,`dr` 表示在计算 $R_5$ 时,选取周围分子的半径。