Detalhes bibliográficos
Ano de defesa: |
2015 |
Autor(a) principal: |
Mendonça, Matheus Rodrigues de |
Orientador(a): |
Não Informado pela instituição |
Banca de defesa: |
Não Informado pela instituição |
Tipo de documento: |
Tese
|
Tipo de acesso: |
Acesso aberto |
Idioma: |
por |
Instituição de defesa: |
Biblioteca Digitais de Teses e Dissertações da USP
|
Programa de Pós-Graduação: |
Não Informado pela instituição
|
Departamento: |
Não Informado pela instituição
|
País: |
Não Informado pela instituição
|
Palavras-chave em Português: |
|
Link de acesso: |
http://www.teses.usp.br/teses/disponiveis/59/59135/tde-18042016-104716/
|
Resumo: |
A caracterização das flutuações dos resíduos da proteína em torno do seu estado nativo é essencial para estudar mudanças conformacionais, interação proteína-proteína e interação proteína-ligante. Tal caracterização pode ser capturada pelo modelo de rede gaussiana (GNM). Este modelo tem sido modificado e novas propostas têm surgido nos últimos anos. Nesta Tese, apresentamos um estudo sobre como melhorar o GNM e exploramos o seu desempenho em predizer os fatores-B experimentais. Modelos de redes elásticas são construídos a partir das coordenadas experimentais dos levando em consideração pares de átomos de C? distantes entre si até um dado raio de corte Rc . Estes modelos descrevem as interações entre os atómos por molas com a mesma constante de força. Desenvolvemos um método baseado em simulações numéricas com um campo de forças simplificado para atribuir pesos a estas constantes de mola. Este método considera o tempo em que dois átomos de C? permanecem conectados na rede durante o desenovelamento parcial, estabelecendo assim uma forma de medir a intensidade de cada ligação. Examinamos dois diferentes campos de forças simplificados e exploramos o cálculo desses pesos a partir do desenovelamento das estruturas nativas. Nós comparamos o seu desempenho na predição dos fatores-B com outros modelos de rede elástica. Avaliamos tal desempenho utilizando o coeficiente de correlação entre os fatores-B preditos e experimentais. Mostramos como o nosso modelo pode descrever melhor os fatores-B |