Detalhes bibliográficos
| Ano de defesa: |
2016 |
| Autor(a) principal: |
Machado, Lucas de Almeida |
| Orientador(a): |
Batista, Paulo Ricardo |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Não Informado pela instituição
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Link de acesso: |
https://www.arca.fiocruz.br/handle/icict/19387
|
Resumo: |
O estudo da estrutura e da dinâmica de proteínas é de suma importância para a compreensão dos mecanismos funcionais das mesmas. Dentre os métodos experimentais disponíveis para realizar esse tipo de estudo, está a utilização da troca hidrogênio/deutério (HX). Este método consiste em expor a proteína à água deuterada e analisar através de ressonância magnética nuclear (NMR) ou espectrometria de massa (MS) quais dos hidrogênios amídicos foram trocados por deutérios do solvente, permitindo assim, inferir grau de exposição ao solvente, presença de ligações hidrogênio e flexibilidade da proteína. Diversos modelos foram criados nos últimos anos afim de explicar e predizer dados de HX, porém, nenhum deles foi capaz de explicar completamente o fenômeno. No presente trabalho foram construídos modelos estatísticos para explicar dados de troca obtidos por MS, utilizando parâmetros estruturais (número de contatos e ligações hidrogênio) e parâmetros que descrevem a dinâmica: como fatores B, flutuações obtidas por análise de modos normais (NMA) e por modelos de redes elásticas (ENM) Empregando parâmetros estruturais, dinâmicos e informações acerca das condições experimentais, também foram construídos modelos preditivos lineares e baseados em machine learning para dados de troca obtidos por NMR. Observamos que a adição das variáveis dinâmicas aos modelos que utilizam apenas parâmetros estruturais aumenta as correlações entre os valores ajustados e os dados experimentais obtidos por MS. Além disso, o modelo preditivo baseado em machine learning construído para a predição de dados de HX obtidos por se mostrou eficaz na predição dos dados de diversas proteínas. Os resultados aqui mostrados realçam a influência dos movimentos de grande amplitude sobre os dados de HX, e a importância da dinâmica na modelagem desse tipo de dado, assim como a utilização de informações acerca das condições experimentais |
