Astronomie

Quelles sont les différences entre le spectre unidimensionnel et le spectre bidimensionnel ?

Quelles sont les différences entre le spectre unidimensionnel et le spectre bidimensionnel ?

la plupart du temps, nous utilisons le spectre unidimensionnel. Mais parfois, nous utilisons un spectre à deux dimensions, quelles sont les différences entre eux ?


Lorsque vous placez une fente de spectrographe sur une source, le spectre enregistré peut être considéré comme de nombreuses images de la fente à différentes longueurs d'onde.

Normalement, vous résumeriez ce spectre le long de la direction des images fendues pour vous donner un spectre unidimensionnel. Si toutefois vous laissez l'image telle qu'elle a été enregistrée, alors vous avez un spectre bidimensionnel - intensité en fonction de la longueur d'onde le long d'un axe et en fonction de la position le long de la fente dans l'autre.

Les spectres bidimensionnels sont utilisés lorsque nous nous attendons à ce que le spectre varie avec la position le long de la fente. Les exemples pourraient inclure un spectre enregistré à travers une galaxie, ou un spectre d'une étoile binaire avec la fente placée à travers les deux composants.

Un exemple est montré ci-dessous. L'image en médaillon montre une image à large bande de V458 Vul - une nova classique entourée de coquilles (non visibles) de matériau ionisé. Les auteurs de cette étude particulière ont aligné une fente de spectrographe comme indiqué dans l'encart et ont ensuite obtenu les deux spectres bidimensionnels montrés dans l'image principale. Ce qu'il faut imaginer, c'est que chaque position sur la fente produit un spectre horizontal à une position verticale qui correspond à sa position sur la fente. Par conséquent, nous voyons un spectre lumineux à travers le milieu correspondant à la source centrale, mais il y a alors des "nœuds" d'émission à des longueurs d'onde particulières qui sont à une certaine distance de l'étoile centrale.

La spectroscopie bidimensionnelle sans fente est également possible en utilisant des spectrographes de champ intégraux. Les fibres enregistrent des spectres sur une zone bidimensionnelle. Cela peut également être appelé spectroscopie bidimensionnelle.


Analyse et comparaison d'algorithmes d'extraction spectrale dans LAMOST ☆

Dans cet article, six algorithmes d'extraction spectrale sont analysés et comparés dans des images spectrales bidimensionnelles (2D) LAMOST (Large Sky Area Multi-Object Fiber Spectroscopic Telescope). Les algorithmes comparés incluent la méthode d'ouverture, la méthode d'ajustement de profil, la méthode de déconvolution directe, la méthode de déconvolution de Tikhonov, l'extraction de déconvolution basée sur la méthode d'itération adaptative de Landweber et l'extraction de déconvolution basée sur la méthode d'itération de Richardson-Lucy. Les six algorithmes sont comparés dans les aspects du rapport signal sur bruit (SNR) et de la résolution, on peut constater que la méthode de déconvolution de Tikhonov, l'extraction de déconvolution basée sur la méthode d'itération adaptative de Landweber et l'extraction de déconvolution basée sur la méthode d'itération de Richardson-Lucy sont les algorithmes les plus fiables d'entre eux. Enfin, les travaux futurs sont proposés.


L'utilisation des graphiques flous dans la recherche sur la structure chimique

A. Réseaux de couplage de spin indépendants

Une structure peut être déduite d'un ensemble de sous-structures. Ce dernier est dérivé de multispectres. L'élucidation de la structure consiste à extraire l'ensemble des sous-structures à partir de multispectres puis à les assembler. Considérons la spectroscopie corrélée bidimensionnelle (COSY) comme le montre la figure 2 . Un pic croisé indique que deux protons dans les atomes ont un couplage de spin, ce qui implique qu'ils sont séparés par deux ou trois liaisons

FIGURE 2 . Le spectre COSY a deux domaines fréquentiels, F1 et F2. Les deux représentent des spectres RMN 1H unidimensionnels. Les sommets croisés ont des coordonnées sous la forme (F1,F2). La coordonnée indique que les deux protons F1 et F2 sont couplés. Ce couplage peut être un couplage à deux ou trois liaisons. Les pics diagonaux ne sont pas informatifs pour les deux fréquences si leurs coordonnées sont équivalentes. Les pics diagonaux sont généralement encombrés et ne peuvent pas être facilement interprétés.

(géminal ou vicinal). En conséquence, étant donné une structure, ces relations de couplage de spin du proton peuvent être prédites. Chaque couple de couplage de spin correspond à un cross-peak COSY. Ces relations de couplage de spin peuvent être connectées pour former des réseaux topologiques de couplage de spin [ou alternativement, des réseaux de couplage de spin indépendants (ISNets)]. Une structure moléculaire peut avoir plus d'un ISNet car sa topologie de couplage de spin peut être déconnectée. Pour le fragment peptidique Lys → Val ∼, nous montrons sur la figure 3 les ISNets pertinents.

FIGURE 3 . Les résidus Lys et Val sont divisés en deux parties d'un groupe carbonyle. Le H de la Lys peut se coupler avec le H 0 du Val. Théoriquement, toutes les arêtes dans Lys ISNet ou Val ISNet peuvent être observées comme des cross-peaks COSY. Ces bords représentent des couplages de liaison traversante.

Un ISNet peut être défini comme

où CS est un ensemble de déplacements chimiques et SC est un ensemble de couplages de spin (arêtes). Ici csje indique le ième déplacement chimique dans CS.

Avant l'invention des expériences de RMN bidimensionnelle, un ensemble de points de données discrets (déplacements chimiques) était généralement attribué à une structure moléculaire avec peu ou pas de connaissance des corrélations entre les points de données. Il n'y avait aucun moyen direct d'observer ces corrélations. Aujourd'hui, les expériences de RMN multidimensionnelle ont ouvert des opportunités pour l'analyse des corrélations entre les atomes d'une structure. La relation sous-spectres-sous-structure n'est plus la relation des points de données discrets et de la sous-structure. Au lieu de cela, il s'agit de la relation entre le graphique (points de données plus leurs corrélations) et la sous-structure. Ainsi, les expériences de RMN multidimensionnelle (nD-RMN) offrent de nombreux avantages pour résoudre les problèmes de chevauchement des données spectrales.

Le concept ISNet est différent de la description conventionnelle d'un système de spin. Tout comme un système AX implique que l'atome A se couple avec l'atome X, un système ABX implique que l'atome B se couple avec l'atome A et l'atome X. Les ISNets mettent l'accent sur le réseau de couplage global. Cependant, un système de spin conventionnel n'est généralement qu'un fragment d'un ISNet. Des ISNets plus compliqués ont été discutés par Xu et Borer. 3 Les pics croisés dans un spectre tridimensionnel (ou hyperplan tridimensionnel d'un spectre de dimension supérieure) sont représentés par deux arêtes partageant un nœud commun, les pics croisés quadridimensionnels par trois arêtes avec deux nœuds communs, etc. Il est à noter qu'un tel graphe ne reflète pas la dimensionnalité des signaux nD-RMN. Le formalisme développé pour la RMN bidimensionnelle peut être étendu assez simplement sans avoir besoin de réinventer le formalisme bidimensionnel. Les bords peuvent également avoir une « couleur », par exemple, une plage de valeurs de constantes de couplage. La certitude de mapper les ISNets observés sur la famille des ISNets idéaux autorisés est ainsi augmentée. 3

La figure 4 résume quelques expériences de RMN bidimensionnelle et leurs interprétations à partir desquelles des ISNets homonucléaires et des ISNets hétéronucléaires peuvent être extraits. Duddeck et Dietrich ont discuté des détails de ces spectres. 9

ILLUSTRATION 4 . Corrélations de couplage de spin observées à partir de certaines expériences de RMN bidimensionnelle. Il existe trois façons de les classer : (1) les corrélations à courte distance (telles que COSY, H, C-COSY, 2D INADEQUATE) ou les corrélations à longue distance (telles que COSY, TOCSY, HMBC relayées) (2) les corrélations homonucléaires (telles que comme H,H-COSY, H,H-COSY relayé, TOCSY) ou des corrélations hétéronucléaires (telles que HMQC, HMBC) et (3) des corrélations par liaison (telles que tous les types de COSY, TOCST, HMBC, 2D INADEQUATE) ou corrélations à travers l'espace (telles que NOESY, ROESY). 2D INADEQUATE est une expérience idéale pour déterminer le squelette carboné d'un composé inconnu. Cependant, son signal est trop faible pour être utile, tout comme le 1 H, le 13 C-COSY à relais C ou à relais H. La corrélation à longue distance est ambiguë, mais fournit de bonnes preuves supplémentaires pour ajouter un nouveau spin à un système de couplage de spin.

En pratique, aucune expérience ne peut donner un ensemble complet de pics pour un composé donné. Cependant, la combinaison de ces spectres donnera des ISNets suffisamment complets pour qu'ils soient mappés sur l'ensemble de la structure. Cette procédure nécessite un certain nombre d'algorithmes de théorie des graphes. 5

Comme le montre la figure 3, différentes sous-structures peuvent avoir différents modèles ISNet. Dans le cas idéal, l'affectation peut se faire par reconnaissance de formes graphiques. La même sous-structure peut rendre un modèle ISNet relativement différent pour différents changements chimiques environnementaux. L'ISNet est un graphe flou. La reconnaissance de modèle de graphe flou implique le mappage d'un graphe ISNet sur son centre de cluster. 5


Spectroscopie RMN bidimensionnelle

Eh bien, jetez un œil à ce spectre RMN 1D d'une protéine :

Anatomie d'une expérience 2D :

  • Faire quelque chose avec le nulcei (préparation),
  • laissez-les précéder librement (évolution),
  • faire autre chose (mélanger),
  • et détecter le résultat (détection, bien sûr).

Après préparation, les spins peuvent précéder librement pendant un temps donné t1. Pendant ce temps, l'aimantation est marquée par le déplacement chimique du premier noyau. Pendant le temps de mélange, l'aimantation est ensuite transférée du premier noyau vers un second. Les séquences de mélange utilisent deux mécanismes de transfert d'aimantation : le couplage scalaire ou l'interaction dipolaire (NOE). Les données sont acquises à la fin de l'expérience (détection, souvent appelée temps d'évolution directe) pendant ce temps l'aimantation est marquée avec le déplacement chimique du deuxième noyau.

La FT bidimensionnelle donne le spectre 2D avec deux axes de fréquence. Si le spectre est homonucléaire (des signaux du même isotope (généralement 1 H) sont détectés pendant les deux périodes d'évolution) il a une topologie caractéristique :

Les signaux croisés proviennent de noyaux qui ont échangé leur magnétisation pendant le temps de mélange (fréquences du premier et du deuxième noyau dans chaque dimension, respectivement). Ils indiquent une interaction de ces deux noyaux. Par conséquent, les signaux croisés contiennent les informations vraiment importantes des spectres RMN 2D.

Expériences homonucléaires 2D :

COSY 2D :

TOCSY 2D :

Ainsi, un schéma caractéristique de signaux résulte pour chaque acide aminé à partir duquel l'acide aminé peut être identifié. Cependant, certains acides aminés ont des systèmes de spin identiques et donc des modèles de signaux identiques. Ce sont : la cystéine, l'acide aspartique, la phénylalanine, l'histidine, l'asparagine, le tryptophane et la tyrosine ('systèmes AMX') d'une part et l'acide glutamique, la glutamine et la méthionine ('systèmes AM(PT)X') d'autre part.

NOÉSY 2D :

Voici une image d'un spectre NOESY 2D (38 k)
Voici un schéma qui montre les différentes régions spectrales dans le NOESY 2D (8 k).

Spectroscopie RMN hétéronucléaire :

L'expérience HSQC :

Le spectre contient les signaux des protons H N dans le squelette de la protéine. Puisqu'il n'y a qu'un seul squelette H N par acide aminé, chaque signal HSQC représente un seul acide aminé. Le HSQC contient également des signaux du NH2 des groupes des chaînes latérales de Asn et Gln et des protons aromatiques H N de Trp et His. Un HSQC n'a pas de diagonale comme un spectre homonucléaire, car différents noyaux sont observés pendant t1 et T2. Une expérience analogue (13 C-HSQC) peut être réalisée pour 13 C et 1 H.

[Spectroscopie RMN 1D] [Index] [Projets PPS2] [Spectroscopie RMN 3D] Projet PPS2 de Horst Joachim Schirra
Détermination de la structure des protéines par spectroscopie RMN
dernière mise à jour 281196


Contenu

Les modaux dimensionnels sont destinés à refléter ce qui constitue la symptomatologie du trouble de la personnalité selon un spectre, plutôt que d'une manière dichotomique. En conséquence, ils ont été utilisés de trois manières clés, premièrement pour essayer de générer des diagnostics cliniques plus précis, deuxièmement pour développer des traitements plus efficaces et troisièmement pour déterminer l'étiologie sous-jacente des troubles. [4]

Diagnostic clinique Modifier

La « liste de contrôle » des symptômes actuellement utilisée est souvent critiquée pour son manque de soutien empirique [5] et son incapacité à reconnaître les problèmes liés à la personnalité qui ne correspondent pas aux constructions actuelles des troubles de la personnalité ou aux critères du DSM. [6] Il a également été critiqué pour avoir conduit à des diagnostics qui ne sont pas stables dans le temps, ont une faible concordance entre les évaluateurs et une comorbidité élevée [7], ce qui suggère qu'ils ne reflètent pas des troubles distincts. [8] En revanche, l'approche dimensionnelle s'est avérée prédire et refléter les critères diagnostiques actuels, mais aussi les compléter. [9] Il a été avancé qu'il était particulièrement utile pour expliquer la comorbidité qui est souvent élevée chez les patients diagnostiqués avec un trouble de la personnalité. [7] À la suite de ces affirmations, la cinquième édition du Manuel diagnostique et statistique des troubles mentaux (DSM-5) intègre une approche catégorique-dimensionnelle combinée pour diagnostiquer les troubles de la personnalité [5] basée sur le degré auquel une personne présente des niveaux élevés de caractéristiques particulières de la personnalité. Cependant, l'un des problèmes liés à l'utilisation d'une approche dimensionnelle du diagnostic a été de déterminer des points de coupure appropriés afin de savoir qui appartient à la catégorie des personnes nécessitant un traitement, c'est en partie pourquoi les diagnostics catégoriques et dimensionnels sont inclus. [dix]

Étant donné que le modèle catégorique est largement utilisé dans la pratique clinique et qu'un important corpus de recherche le soutient, son utilisation courante est convaincante pour les profanes lorsqu'ils jugent de la crédibilité de l'opinion professionnelle. Par conséquent, l'approche dimensionnelle est souvent critiquée pour être difficile à interpréter et moins accessible. Elle est cependant largement utilisée dans certains milieux professionnels comme approche établie, par exemple par les psychologues légistes. [11]

Efficacité du traitement Modifier

Une autre utilisation suggérée de l'approche dimensionnelle est qu'elle peut aider les cliniciens à élaborer des plans de traitement et à évaluer d'autres mécanismes contribuant à la difficulté du patient à fonctionner dans les domaines social, personnel ou professionnel. L'approche peut améliorer le traitement de deux manières. Premièrement, il peut permettre le développement de plans de soins plus personnalisés pour les individus en fonction de leurs caractéristiques adaptatives et inadaptées. Deuxièmement, cela signifie que la symptomatologie pertinente qui n'est pas considérée comme inadaptée peut être prise en compte lors de l'élaboration et de l'évaluation d'un traitement thérapeutique et médical général. [4]

Déterminer la cause Modifier

Les tentatives de présentation d'une description étiologique des troubles de la personnalité ont été évitées en raison de l'influence du DSM et de ses principes dans la recherche psychiatrique (voir la section historique). Cependant, certaines techniques examinent les causalités interdépendantes potentielles entre les symptômes des troubles de la personnalité et les influences plus larges, y compris les aspects de la personnalité normale (voir la section sur les approches intégrées).

Développement initial d'un modèle catégoriel Modifier

L'adoption d'une approche catégorielle des troubles de la personnalité peut être comprise en partie en raison de principes éthiques au sein de la psychiatrie. Le « principe de ne pas nuire » a conduit à des hypothèses kraepeliniennes sur la maladie mentale et à mettre l'accent sur des systèmes taxonomiques empiriquement fondés qui n'étaient pas biaisés par des théories non fondées sur l'étiologie. [12] Une liste de contrôle taxonomique basée sur des observations empiriques plutôt que sur des hypothèses théoriques sujettes aux biais a été élaborée. Il était à la fois catégorique et hiérarchique, le diagnostic d'un trouble étant dépendant de la présence d'un nombre seuil de catégories (généralement cinq) sur un nombre total (sept à neuf) [12] Les troubles étaient organisés en trois groupes, existant uniquement pour rendre les troubles plus faciles à mémoriser en les associant à d'autres qui présentent des symptômes similaires, sans se fonder sur une théorie de leur relation. [dix]

Problèmes émergents avec le modèle catégoriel Modifier

Le modèle dimensionnel a été développé en réponse aux limitations de ce modèle catégoriel standard. [9] Les attentes d'une approche kraepelinienne étaient qu'au fur et à mesure que la recherche systématique sur la santé psychiatrique augmenterait les catégories de diagnostics seraient affinées et que des traitements fiables ciblés seraient développés. [13] Cependant, cette approche réductionniste de la catégorisation diagnostique a conduit à des troubles avec une comorbidité élevée, une instabilité du parcours de vie, une efficacité thérapeutique médiocre et un accord diagnostique médiocre. [1] De plus, les résultats de la recherche psychopathologique ont conduit à un nombre croissant de preuves suggérant des chevauchements entre la personnalité normale et inadaptée et l'interdépendance entre les troubles. [7] Ces découvertes ont été étayées par des études génétiques [14] et développementales [15] qui ont constamment pointé vers une plus grande interdépendance que les catégories diagnostiques peuvent offrir. Ces résultats de discordance constante, ainsi que le passage réussi à une approche continue plutôt que catégorielle dans d'autres domaines de recherche, tels que les TSA, ont conduit à envisager des approches alternatives. [16]

Développement de techniques méthodologiques Modifier

Analyse factorielle Modifier

Le développement de l'analyse factorielle en tant que technique statistique populaire en psychologie différentielle a conduit à une augmentation des tentatives pour trouver des traits sous-jacents. Plus récemment, cela a été utilisé dans le contexte des troubles de la personnalité à la fois comme moyen de regarder à quels traits de personnalité les diagnostics catégoriques actuels sont liés et également comme méthode de recherche de nouvelles variables latentes psychopathologiques. L'analyse factorielle a permis d'illustrer que toute la gamme des pathologies pertinentes de la personnalité n'est pas incluse dans la nosologie psychiatrique du DSM. Cependant, la technique ne montre pas d'informations sur un continuum allant de la personnalité normale à la personnalité cliniquement pertinente. [9]

Analyse dimensionnelle Modifier

Les techniques de classification dimensionnelle montrent des profils multidimensionnels individuels et peuvent donc montrer des informations sur un continuum de personnalité (de normal à atypique), l'une de ces techniques est la modélisation hybride. [17] Des points de coupure peuvent être introduits dans ces modaux pour montrer où un diagnostic peut se situer. Cependant, le nombre d'échelles d'évaluation différentes qui doivent être examinées et le manque de recherche interdisciplinaire entre les statisticiens et les psychologues ont signifié que les tentatives de trouver un critère « mondial » pour le diagnostic dimensionnel en utilisant cette méthode ont eu un succès limité. [17]

Analyse comparative Modifier

Des analyses ont été menées pour tester l'ajustement relatif des modaux catégoriques et dimensionnels afin d'évaluer si des catégories de diagnostic uniques sont adaptées à l'un ou l'autre statut. Ces types d'analyse peuvent inclure une gamme de données, y compris des endophénotypes ou d'autres marqueurs génétiques ou biologiques qui augmentent leur utilité. L'analyse génétique multivariée aide à établir dans quelle mesure la structure phénotypiquement développée actuelle du diagnostic des troubles de la personnalité correspond à la structure génétique sous-jacente aux troubles de la personnalité. Les résultats de ces types d'analyse appuient les approches dimensionnelles plutôt que catégoriques. [dix]

Analyse de réseau Modifier

L'analyse de réseau a été utilisée comme un moyen d'intégrer des informations sur la personnalité avec des troubles de la personnalité ainsi que des informations sur d'autres influences génétiques, biologiques et environnementales dans un seul système et en examinant les causalités interdépendantes entre elles (voir modaux intégrés).

Modèles catégoriels adaptés Modifier

Il existe différentes manières de « dimensionner » les troubles de la personnalité, celles-ci peuvent être résumées en deux catégories.

  1. La première consiste à quantifier la pathologie du DSM-5. Cela peut être fait en fonction du degré de présence des symptômes ou de la proximité avec une présentation prototypique de la présentation d'un patient. L'approche prototype inclut des fonctionnalités non présentes dans le DSM. [18]
  2. La deuxième approche implique l'identification des traits du trouble du DSM au moyen d'une analyse factorielle pour montrer les dimensions sous-jacentes des critères du trouble de la personnalité, cette méthode peut également inclure une psychopathologie pertinente. [17]

Modèles de personnalité normaux Modifier

Modèle à cinq facteurs Modifier

Le modèle de personnalité à cinq facteurs, qui est le modèle dimensionnel le plus dominant, [19] a été utilisé pour conceptualiser les troubles de la personnalité et a reçu divers soutiens empiriques. Selon cette approche, les niveaux extrêmes des traits de personnalité de base identifiés par la FFM sont ce qui contribue à la nature inadaptée des troubles de la personnalité. [20] Plus de 50 études publiées soutenant ce modèle ont été identifiées, fournissant beaucoup de soutien empirique à cette approche. La plupart de ces études examinent la relation entre les scores sur des mesures distinctes du trait Big Five et les symptômes des troubles de la personnalité. [20]

Le modèle à cinq facteurs a été étendu pour la première fois aux troubles de la personnalité au début des années 1990, lorsqu'il a été établi qu'un profil satisfaisant de chaque trouble de la personnalité dans le DSM-III-R pouvait être créé à travers différents niveaux de traits des Big Five. [5] Thomas Widiger et ses collègues ont démontré que bon nombre des éléments centraux des troubles de la personnalité peuvent être expliqués en termes de traits Big Five - par exemple, le trouble de la personnalité limite est caractérisé par des niveaux élevés d'hostilité, d'anxiété et de dépression, et de vulnérabilité. , qui sont toutes des facettes du névrosisme. [5] Cette approche permet également de différencier les caractéristiques des troubles qui se chevauchent dans le modèle catégoriel actuel, tels que les troubles de la personnalité évitante et schizoïde. L'approche basée sur les cinq facteurs explique une grande partie de ce chevauchement ainsi que les façons dont ils sont différents. [5] Par exemple, les deux se caractérisent principalement par une introversion excessive inadaptée, mais le trouble de la personnalité antisociale comprend également des niveaux élevés de facettes du névrosisme (comme la conscience de soi, l'anxiété et la vulnérabilité), tandis que le trouble de la personnalité schizotypique comprend l'ajout d'une faible affirmation de soi. . L'approche des cinq facteurs résout également les anomalies antérieures dans les analyses factorielles des troubles de la personnalité, ce qui en fait un modèle plus explicatif que l'approche catégorielle actuelle, qui n'inclut que trois facteurs (étrange-excentrique, dramatique-émotionnel et anxieux-peur). [5]

Un prototype de technique de diagnostic a été développé dans lequel des prototypes basés sur cinq facteurs pour chaque trouble ont été créés, sur la base des évaluations agrégées d'experts en troubles de la personnalité. Ces prototypes s'accordent bien avec les critères de diagnostic du DSM. [20] Les prototypes à cinq facteurs reflétaient également les taux élevés de comorbidité des troubles de la personnalité. Ceci s'explique par l'idée que divers autres troubles puisent dans des dimensions qui chevauchent celles du diagnostic primaire. [20]

Une autre technique basée sur les cinq facteurs consiste à diagnostiquer les troubles de la personnalité sur la base des évaluations des cliniciens de diverses facettes des cinq facteurs (par exemple, la conscience de soi, qui relève du facteur de névrosisme, la recherche d'excitation, qui relève du facteur d'extraversion). Cette technique est partiellement basée sur le modèle prototype, car le « score » de chaque facette est basé sur son évaluation de la façon dont elle est prototypique de chaque trouble de la personnalité, avec des facettes prototypiquement basses (avec un score inférieur à 2) notées à l'envers. En utilisant cette technique, le diagnostic est basé sur le score total d'un individu à travers des facettes pertinentes. Cette technique des scores additionnés s'est avérée aussi sensible que la technique du prototype, et la méthode de calcul plus facile en fait une technique de dépistage suggérée utile. [6]

L'évaluation des troubles de la personnalité à cinq facteurs a également été corrélée avec l'indice de ressemblance de la psychopathie du NEO Personality Inventory, ainsi qu'avec les dimensions de la personnalité individuelle du NEO-PI-R. [21] Il résout également plusieurs problèmes concernant l'évaluation de la psychopathie PCL-R, car une réinterprétation basée sur cinq facteurs de la structure factorielle PCL-R montre que le facteur « narcissisme agressif » exploite des facettes de faible agrément (avec certains contribution des facettes du névrosisme et de l'extraversion), et le facteur « mode de vie socialement déviant » représente des facettes de faible conscience et de faible amabilité. Il a également été démontré que les différences entre les sexes dans les troubles de la personnalité peuvent être raisonnablement prédites par les différences entre les sexes dans les traits Big 5. [22]

Critique Modifier

La dimension d'ouverture à l'expérience du modèle des cinq facteurs a été critiquée pour ne pas être directement liée à l'une des caractéristiques majeures des troubles de la personnalité de la même manière que les quatre autres dimensions. citation requise ] . Il a été suggéré que les troubles de la personnalité schizotypique et histrionique pourraient être partiellement caractérisés par des niveaux élevés d'ouverture à l'expérience (sous les formes d'ouverture aux idées et aux sentiments, respectivement) [ citation requise ] , tandis que les troubles de la personnalité obsessionnelle-compulsive, paranoïaque, schizoïde et évitante peuvent tous être conceptualisés par des niveaux d'ouverture extrêmement bas [ citation requise ] . Cependant, il y a peu ou pas de support empirique pour cette hypothèse, en particulier avec le trouble de la personnalité schizotypique. De plus, l'échelle d'ouverture du NEO-PI-R, qui est l'une des mesures les plus largement utilisées des traits des Big Five, était basée sur la recherche et la théorie qui considéraient l'ouverture (telle que la réalisation de soi et la croissance personnelle) comme bénéfique, donc mesure de l'extrême ouverture à l'aide du NEO-PI-R, est en fait un marqueur de bonne santé mentale. [5]

Modèle à sept facteurs Modifier

L'approche des cinq facteurs a été critiquée pour être limitée à certains égards dans sa conceptualisation des troubles de la personnalité. Cette limitation est due au fait qu'elle n'inclut pas les termes de traits évaluatifs tels que « mauvais », « horrible » ou « vicieux ». Certaines recherches ont suggéré que deux dimensions évaluatives devraient être ajoutées au modèle à cinq facteurs des troubles de la personnalité. Le soutien empirique de cette approche provient d'analyses factorielles qui incluent les cinq grands facteurs et les termes d'évaluation. Ces analyses montrent que les termes évaluatifs contribuent à deux facteurs supplémentaires, chacun pour la valence positive et négative. L'ajout de ces deux facteurs résout une grande partie de l'ambiguïté de la dimension d'ouverture dans l'approche des cinq facteurs, car le facteur d'ouverture se transforme en facteur de conventionnalité, et des adjectifs tels que « étrange », « étrange » et « étrange » (qui caractérisent tous le trouble de la personnalité schizotypique) tombent sur le facteur de valence négative. Ces résultats indiquent que l'inclusion de termes évaluatifs et de dimensions de valence peut être utile pour mieux décrire les niveaux extrêmes et inadaptés des traits de personnalité qui composent les profils de troubles de la personnalité. [5]

Modèle d'intériorisation/d'externalisation Modifier

Un modèle à deux facteurs de la psychopathologie en général a également été suggéré, dans lequel la plupart des troubles relèvent des dimensions d'intériorisation et d'extériorisation, [23] [24] qui englobent les troubles de l'humeur et de l'anxiété, et les troubles de la personnalité antisociale et de la consommation de substances, respectivement. [24] Bien que cette approche ait été développée à l'origine pour comprendre la psychopathologie en général, elle s'est souvent concentrée pour s'appliquer aux troubles de la personnalité, tels que le trouble de la personnalité limite pour aider à mieux comprendre les modèles de comorbidité. [25]

Théorie du lecteur Szondi Modifier

Le psychiatre hongrois Léopold Szondi a formulé en 1935 un modèle dimensionnel de personnalité comprenant quatre dimensions et huit pulsions (« facettes » dans la terminologie du DSM V). Elle reposait sur une théorie des pulsions, dont les quatre dimensions correspondent aux maladies mentales circulaires héréditaires indépendantes établies par la génétique psychiatrique de l'époque : [26] la schizoforme (contenant les pulsions paranoïaques et catatoniques), la maniaco-dépressive ( pour la dimension « contact »), le paroxystique (incluant les pulsions épileptiques et hystériques), et le trouble des pulsions sexuelles (incluant les pulsions hermaphrodites et sadomasochistes). [27] Les dimensions Sexe (S) et Contact (C) peuvent être regroupées comme représentant des pulsions à la frontière avec le monde extérieur, tandis que les dimensions Paroximal (P) et Schizoforme (Sch) à la partie intérieure de la psyché.

Modèles intégrés Modifier

Analyse de réseau Modifier

L'analyse de réseau détourne le plus fortement de l'approche catégorielle car elle suppose que les symptômes d'un trouble ont une relation causale les uns avec les autres. Cette hypothèse théorique est faite parce qu'aucun trouble mental ne peut actuellement être compris comme existant indépendamment de ses symptômes, comme peuvent l'être d'autres maladies médicales. Selon l'approche en réseau, les symptômes ne sont pas considérés comme le produit d'un ensemble de troubles latents, mais plutôt comme des éléments interagissant et se renforçant réciproquement au sein d'un réseau plus large. [28] Par conséquent, un diagnostic n'est pas nécessaire pour comprendre pourquoi les symptômes sont liés. Des groupes de symptômes étroitement liés peuvent être définis comme des troubles, mais ils sont inévitablement liés à des symptômes connexes et ne peuvent pas être entièrement séparés. Cela aide à expliquer le nombre croissant de recherches montrant une comorbidité, des marqueurs génétiques co-occurrents et des symptômes co-occurrents dans les troubles de la personnalité. [29]

Conséquences thérapeutiques Modifier

La conséquence thérapeutique de ceci est que le traitement est ciblé sur les symptômes eux-mêmes et les relations causales entre eux, et non sur le diagnostic global. C'est parce que le ciblage du diagnostic essaie de traiter un résumé non spécifié d'un ensemble complexe de causes. Adopter cette attitude cadre bien avec les traitements thérapeutiques actuellement utilisés qui ont la base de preuves la plus solide. [29]

Construction de réseau Modifier

L'analyse de réseau a ses racines dans les mathématiques et la physique, mais est de plus en plus utilisée dans d'autres domaines. Il s'agit essentiellement d'une méthode d'analyse d'entités interagissant mutuellement en les représentant comme des nœuds auxquels sont connectées des relations appelées arêtes. Les arêtes représentent toute sorte de relation telle qu'une corrélation partielle. Des analyses de réseau complexes d'autres sujets ont examiné les points de basculement, où un système passe soudainement à un autre, comme lorsqu'une forêt tropicale se transforme en savane. Si ceux-ci pouvaient être identifiés dans les réseaux dynamiques psychopathologiques d'un individu, ils pourraient alors être utilisés pour déterminer quand le réseau d'une personne est sur le point de s'effondrer et ce qui peut être fait pour le modifier. [29]

Critiques Modifier

Certains craignent que le modal du réseau n'ait pas assez de parcimonie et soit trop difficile à interpréter. [30]

Le groupe de travail sur la personnalité et les troubles de la personnalité a proposé une combinaison d'un modèle catégorique-dimensionnel d'évaluation des troubles de la personnalité qui sera adopté dans le DSM-5. Le modèle du groupe de travail comprend 5 domaines d'ordre supérieur (affectivité négative, détachement, antagonisme, désinhibition et psychose) et 25 facettes d'ordre inférieur, ou constellations de traits comportementaux qui constituent les domaines plus larges. Les domaines de la personnalité peuvent également être étendus pour décrire la personnalité des patients atteints de troubles non liés à la personnalité. Le diagnostic des troubles de la personnalité sera basé sur les niveaux de dysfonctionnement de la personnalité et l'évaluation des niveaux pathologiques d'un ou plusieurs des domaines de la personnalité, [31] résultant en une classification dans l'un des six « types » de troubles de la personnalité ou trait de trouble de la personnalité spécifié (selon le niveaux de traits présents), contrairement aux diagnostics catégoriques traditionnels actuels de l'un des 10 troubles de la personnalité (ou des troubles de la personnalité non spécifiés ailleurs) basés sur la présence ou l'absence de symptômes. [32]

Critique Modifier

Certains craignent que l'ajout de modèles dimensionnels au DSM-5 ne prête à confusion. Carole Lieberman a déclaré que « À l'heure actuelle, les gens n'utilisent pas vraiment les sous-catégories qu'il existe pour décrire la gravité des symptômes. Au lieu de cela, je vois cela comme un outil que les compagnies d'assurance pourraient bien coopter pour essayer de refuser avantages." [33]


Quelles sont les différences entre le spectre unidimensionnel et le spectre bidimensionnel ? - Astronomie

La transformée de Fourier peut être généralisée à des dimensions supérieures. Par exemple, de nombreux signaux sont des fonctions d'un espace 2D défini sur un plan x-y. La transformée de Fourier bidimensionnelle a également quatre formes différentes selon que le signal 2D est périodique et discret.

    Apériodique, signal continu, continu, spectre apériodique

où et sont des fréquences spatiales dans les directions et, respectivement, et est le spectre 2D de .

où et sont les intervalles spatiaux entre les échantillons de signaux consécutifs dans les directions et, respectivement, et et sont les taux d'échantillonnage dans les deux directions, et ils sont également les périodes du spectre .

où et sont des périodes du signal dans les directions et, respectivement, et et sont les intervalles entre des échantillons consécutifs dans le spectre .

où et sont les nombres d'échantillons dans et les directions dans les domaines de fréquence spatiale et spatiale, respectivement, et est le spectre discret 2D de . Les deux et peuvent être considérés comme des éléments de deux par les matrices et , respectivement.

Considérons la transformée de Fourier d'un signal apériodique continu (le résultat est facilement généralisable à d'autres cas) :

La transformation inverse représente la fonction spatiale comme une combinaison linéaire d' exponentielles complexes avec des poids complexes .

    Le poids complexe peut être représenté sous forme polaire comme

en termes d'amplitude et de phase :

  • est le vecteur unitaire le long de la direction ,
  • est un vecteur le long de la direction dans le domaine spatial 2D.

Dans la fonction du haut, (2 cycles par unité de distance en x) et et (3 cycles par unité de distance en y), tandis que dans la fonction du bas, (3 cycles par unité de distance en x) et (2 cycles par unité de distance en x) en y). Mais le long de leurs directions individuelles (et respectivement), leurs fréquences spatiales sont les mêmes.

Maintenant, la 2DFT d'un signal peut s'écrire :

La fonction 2D illustrée ci-dessous contient trois composantes fréquentielles (ondes sinusoïdales 2D) de fréquences et de directions différentes :

et réécrivez la transformation 2D comme

Considérons d'abord l'expression pour . Comme la somme est par rapport à l'indice de ligne de , l'indice de colonne peut être traité comme un paramètre et l'expression est la transformée de Fourier 1D du nième vecteur de colonne de , qui peut être écrit sous forme de vecteur de colonne (vertical) pour le nième colonne :

c'est-à-dire que la nième colonne de est le 1D FT de la nième colonne de . En rassemblant toutes les colonnes, nous avons

où est une matrice de transformée de Fourier.

Maintenant, nous reconsidérons l'expression 2DFT ci-dessus

Comme la sommation est relative à l'indice de colonne n de , l'indice de ligne peut être traité comme un paramètre et l'expression est la transformée de Fourier 1D du kième vecteur de ligne de , qui peut être écrit sous forme de vecteur de ligne (horizontal) pour la kième ligne :

c'est-à-dire que la kième rangée de est le 1D FT de la kième rangée de . En rassemblant toutes les rangées, nous avons

De même, la DFT 2D inverse peut être écrite sous la forme

Il est évident que la complexité de la DFT 2D est (en supposant ), qui peut être réduite à si la FFT est utilisée.

Considérons un vrai signal 2D :

La partie imaginaire. Le spectre de Fourier 2D de ce signal peut être trouvé par DFT 2D. La partie réelle du spectre est :


Relation entre les spectres de puissance de bruit unidimensionnels et bidimensionnels des images de résonance magnétique

Notre objectif dans cette étude était d'élucider la relation entre les spectres de puissance de bruit (NPS) unidimensionnel (1D) et bidimensionnel (2D) en imagerie par résonance magnétique (IRM). Nous avons mesuré les NPS 1D en utilisant la méthode de la fente et la méthode de la fréquence radiale. Dans la méthode des fentes, des fentes numériques de 1 pixel de large et L pixels de long ont été placés sur une image de bruit (128 × 128 pixels) et scannés dans le domaine de l'image RM. Nous avons obtenu le NPS 1D en utilisant la méthode de la fente (1D NPS_Slit) et le NPS 2D de la région de bruit balayée par la fente (2D NPS_Slit). Nous avons également obtenu le NPS 1D en utilisant la méthode de fréquence radiale (1D NPS_Radial) en faisant la moyenne des valeurs NPS sur la circonférence d'un cercle centré à l'origine du NPS 2D d'origine. Les propriétés des 1D NPS_Slits variaient avec L et la direction de balayage en IRM PROPELLER. Les formes 2D NPS_Slit correspondaient à celles du NPS 2D d'origine, mais ont été compressées par L/128. Les profils de ligne centrale des 2D NPS_Slits et des 1D NPS_Slits correspondaient exactement. Par conséquent, les 1D NPS_Slits reflétaient non seulement les valeurs NPS sur l'axe central du NPS 2D d'origine, mais également les valeurs NPS autour de l'axe central. De plus, les précisions de mesure du 1D NPS_Slits étaient inférieures à celles du 1D NPS_Radial. Par conséquent, il est nécessaire de sélectionner l'approche appliquée pour les mesures 1D NPS en fonction de la méthode d'acquisition des données et de l'objectif de l'évaluation du bruit.

Ceci est un aperçu du contenu de l'abonnement, accessible via votre institution.


Réseau de neurones à convolution basé sur un spectre bidimensionnel pour la classification d'images hyperspectrales

Les caractéristiques spectrales inhérentes aux données d'images hyperspectrales (HSI) sont déterminées et doivent être approfondies. Un modèle de réseau de neurones à convolution (CNN) de spectre bidimensionnel (spectre 2D) est proposé sur la base des avantages de l'apprentissage en profondeur pour extraire des caractéristiques et classer HSI. Tout d'abord, les méthodes traditionnelles de traitement des données qui utilisent comme unité d'entrée un bloc de pixels de petite surface ou un vecteur spectral unidimensionnel apportent de nombreux bruits hétérogènes. La méthode d'image spectrale 2D est proposée pour résoudre le problème et tirer pleinement parti de la valeur spectrale et des informations spatiales. En outre, un algorithme de normalisation par lots (BN) est introduit pour traiter les décalages de covariables internes causés par des changements dans la distribution des données d'entrée et accélérer la formation du réseau. Enfin, des modèles de perte Softmax sont proposés pour induire une concurrence entre les sorties et améliorer les performances du modèle CNN. Les ensembles de données d'expériences HSI incluent Indian Pines, Salinas, Kennedy Space Center (KSC) et le Botswana.Les résultats expérimentaux montrent que les précisions globales du modèle CNN à spectre 2D peuvent atteindre 98,26 %, 97,28 %, 96,22 % et 93,64 %. Ces résultats sont supérieurs aux précisions des autres méthodes traditionnelles décrites dans cet article. Le modèle proposé peut atteindre une précision et une efficacité élevées de classification des cibles.

1. Introduction

Les images hyperspectrales (HSI) sont généralement composées de centaines de canaux de données spectrales dans la même scène. Les HSI peuvent fournir des données continues dans l'espace et le spectre grâce à une technologie combinée d'imagerie et de spectre. Les données hyperspectrales sont importantes pour surveiller les informations de la surface de la Terre, car les informations spectrales fournies par le capteur hyperspectral augmentent la précision de la résolution des matériaux cibles et améliorent ainsi la précision de la classification [1].

Au début, les chercheurs utilisent principalement l'extraction artificielle de caractéristiques d'images pour la classification d'identification d'objets d'images de télédétection à l'aide d'un modèle binaire local, d'un histogramme de gradient orienté [2] et d'un filtre de Gabor [3]. Cependant, cette méthode est inefficace dans le traitement des données hyperspectrales avec l'augmentation de la dimension. Ainsi, l'extraction de caractéristiques et le classificateur sont combinés, produisant ainsi un effet de classification satisfaisant. Les méthodes d'extraction de caractéristiques comprennent l'analyse en composantes principales (ACP) [4], l'analyse en composantes indépendantes (ICA) [5] et l'analyse discriminante linéaire (LDA) [6] et l'ACP robuste. Le classifieur est passé par un processus d'algorithme flou K-plus proche voisin [7], Bayes naïf avec pondération de caractéristiques profondes [8] et régression logistique [9] pour prendre en charge la machine vectorielle (SVM) [10]. SVM améliore les performances de classification en étendant le noyau de classification [11]. Cependant, ces méthodes combinatoires démontrent les limitations importantes suivantes. (1) L'extraction de caractéristiques utilise des transformations linéaires pour extraire des caractéristiques potentiellement utiles des données d'entrée. Les données hyperspectrales sont essentiellement non linéaires compte tenu d'un mécanisme complexe de diffusion de la lumière [12]. (2) La plupart des méthodes de classification traditionnelles ne prennent en compte que le traitement à une seule couche, ce qui réduit la capacité d'apprentissage des caractéristiques et ne conviennent pas aux données de grande dimension.

Les réseaux de neurones (NN) avec plusieurs couches et nœuds cachés sont plus adaptés que les classificateurs peu profonds, tels que SVM, dans la construction d'un modèle de données HSI [13]. Les NN, y compris le perceptron multicouche [14] et la fonction de base radiale [15], ont été étudiées pour classer les données de télédétection. Les chercheurs ont proposé un cadre NN semi-supervisé pour la classification HSI à grande échelle [16]. Divers NN profonds (DNN) ont été développés en fonction de l'architecture du système et des fonctions d'activation. Ces réseaux incluent le réseau de croyances profondes (DBN) [17], la machine de Boltzmann profonde [18] et l'AutoEncoder (AE) [19]. En 2014, un AE empilé (SAE) a été utilisé pour la classification HSI [20]. Une AE améliorée basée sur des contraintes creuses a ensuite été proposée [21]. Le DBN est un autre modèle DNN qui a été proposé en 2015 [22]. Le modèle de profondeur peut extraire des caractéristiques robustes et est supérieur aux autres méthodes en termes de précision de classification.

Convolution NN (CNN) [23] utilise des champs récepteurs locaux pour extraire efficacement des informations spatiales et partager des poids pour réduire considérablement le nombre de paramètres. Les CNN sont utilisés pour extraire les caractéristiques spectrales spatiales des images hyperspectrales pour la classification [24], et leurs performances étaient meilleures que celles des classificateurs traditionnels tels que SVM. De plus, une méthode utilisant un échantillon virtuel amélioré à des échantillons étiquetés limités a été proposée dans [25]. Une étude précédente a proposé l'utilisation d'une couche gloutonne de pré-entraînement non supervisé pour former un modèle CNN [26]. Cependant, la technologie d'application de CNN dans la classification hyperspectrale reste imparfaite et plusieurs lacunes, telles que la saturation facile du gradient d'entraînement, la faible précision de la classification et la mauvaise généralisation du modèle, doivent être corrigées.

Les valeurs spectrales des HSI dans la troisième dimension sont approximativement continues, et les courbes de chaque caractéristique possèdent un tracé spectral unique qui est différent de ceux des autres classes. Dans les méthodes de classification traditionnelles, des vecteurs spectraux unidimensionnels sont utilisés comme forme finale de données d'entrée [27, 28] ou des pixels voisins sont utilisés pour former de petits blocs de pixels régionaux comme données d'entrée [29, 30]. Bien que le premier simplifie la complexité de la formation en réseau d'apprentissage en profondeur, il omet en même temps les informations de dimension spatiale des valeurs spectrales. Ce dernier combine plusieurs pixels en un seul échantillon, ce qui introduit des bruits hétérogènes et aggrave le problème des données hyperspectrales manquantes.

Par rapport aux méthodes CNN traditionnelles, cette étude conçoit un modèle CNN à spectre 2D comme suit : (i) Les pixels hyperspectraux ont des informations spectrales riches. Les méthodes de traitement de données traditionnelles qui utilisent un bloc de pixels de petite surface ou un vecteur spectral unidimensionnel comme unité d'entrée apportent de nombreux bruits hétérogènes. Dans cet article, nous convertissons le vecteur de valeur spectrale en image spectrale 2D, de sorte que l'optimisation de tous les paramètres du modèle CNN (y compris les paramètres BN) soit basée sur les valeurs spectrales des points de pixels et les informations sur l'espace spectral. L'objectif d'extraction complète des informations spatiales spectrales peut être atteint tout en évitant les bruits hétérogènes. De plus, un algorithme BN multiniveau est réalisé pour la première fois, et l'effet de l'accélération du réseau est évident. (ii) Un algorithme BN est introduit pour réduire le problème du gradient de fuite et accélérer dynamiquement la vitesse d'apprentissage du DNN en réduisant la mise à l'échelle et l'initialisation des paramètres dépendants. Un bloc de pixels de petite surface a été sélectionné comme unité d'entrée. Liu et al. [30] ont utilisé l'algorithme BN au CNN pour le HIS. Cependant, l'introduction de bruits hétérogènes et le gaspillage d'échantillons rares affaibliront le rôle de l'algorithme BN dans la régularisation du réseau et la formation accélérée. (iii) Des modèles de perte Softmax sont utilisés au lieu de combiner des modèles de régression Softmax et des modèles de pertes logistiques multinomiales. Ainsi, la sortie de la dernière couche est en concurrence pour améliorer la précision de la classification. Les résultats expérimentaux montrent que le modèle de classification HSI proposé basé sur CNN présente une précision et une efficacité élevées dans l'ensemble de données HSI.

2. Modèle de classification basé sur CNN

Les chercheurs ont découvert que le système visuel humain peut résoudre efficacement le problème de classification, de détection et d'identification, avec le développement rapide des systèmes nerveux modernes. Ce développement motive les chercheurs sur les systèmes visuels biologiques à établir des méthodes avancées de traitement des données [31]. Les cellules du cortex d'un système visuel humain ne sont sensibles qu'à de petites zones, et accepter des cellules sur le terrain peut exploiter la corrélation spatiale locale dans l'image.

L'architecture CNN utilise deux méthodes spéciales, à savoir le champ récepteur local et les poids partagés. La valeur d'activation de chaque neurone de convolution est calculée en multipliant l'entrée locale avec le poids

, qui est partagé dans tout l'espace d'entrée (Figure 1). Les neurones appartenant à la même couche partagent le même poids. L'utilisation d'architectures spécifiques, telles que le champ récepteur local et les poids partagés, réduit le nombre total de paramètres d'entraînement et facilite le développement d'un modèle d'entraînement efficace.


Adapter l'arrière-plan¶

Pour soustraire le signal d'arrière-plan de la région source, nous voulons ajuster un quadratique aux pixels d'arrière-plan, puis soustraire ce quadratique de l'image entière, y compris la région source.

Commençons par aborder un problème plus simple et adaptons l'arrière-plan à une seule colonne. À partir de l'inspection visuelle du spectre 2D, nous avons décidé d'isoler les lignes 10 à 199 et 300 à 479 comme celles contenant un signal de fond pur :

Faisons maintenant ceci pour chaque colonne et stockons les résultats dans une image d'arrière-plan :

Enfin, soustrayons cet arrière-plan et voyons à quoi ressemblent les résultats :

Détour : opérations vectorielles versus bouclage

Si vous êtes habitué au C ou au Fortran, vous vous demandez peut-être pourquoi sauter à travers ces cerceaux avec le slicing et vous assurer que tout est vectorisé. La réponse est que le Python pur est un langage dynamique interprété et donc faire des boucles est ralentir. Essayez ce qui suit :

Comparez maintenant à la solution NumPy vectorisée :

Parfois, faire les choses de manière vectorisée n'est pas possible ou tout simplement trop déroutant. Il y a un art ici et la réponse de base est que s'il court assez vite, alors vous êtes prêt à partir. Sinon, les choses doivent être vectorisées ou peut-être codées en C ou en Fortran.


Quelles sont les différences entre le spectre unidimensionnel et le spectre bidimensionnel ? - Astronomie

rr et l'hisactophiline. une protéine de liaison à l'actine de 118 acides aminés) ont été déterminés sur la base des données NOE dérivées uniquement de la spectroscopie de résonance magnétique homonucléaire 3D NOE-NOE. Deux approches différentes pour l'extraction des informations structurelles de l'expérience 31) NOE-NOE ont été testées. Une approche était basée sur la transformation des 31) intensités en contraintes de distance. Tn la seconde approche, et plus robuste. les 31) intensités NOE ont été utilisées directement dans les calculs de structure, sans qu'il soit nécessaire de les transformer en contraintes de distance. Une nouvelle fonction de potentiel 2D représentant l'intensité 311 NO&NOE a été développée et utilisée dans le protocole de recuit simulé. Pour CMTT-I, une comparaison entre les structures déterminées avec la méthode 3D NOE-NOE et de’ diverses 21) approches NOE a été réalisée. L'ensemble de données 3D a permis une meilleure définition des structures qu'auparavant avec les procédures XOE 2D qui utilisaient l'approximation isolée à deux spins pour dériver les informations de distance.

1. Introduction La spectroscopie multidimensionnelle r1.m.r.t s'est avérée très utile pour étendre la méthodologie de détermination de la structure des protéines par t1.rn.r. Le principal avantage du multidimensionnel sur 21) n.m.r. expériences réside dans leur potentiel à atténuer le chevauchement de résonance. Un certain nombre d'homonucléaires (Griesinger rt ccl. 1989 Vuister fd nl., 1989 : Oschkinat et al.. 1990) et het,eronuc4ear (Fesik B Zuiderweg, 1988 Marion et al., 1989 : Zuiderwrg 8 Fesik. 1989 Kay et

2.. 1990) 3D et 11) n.m.r. des expériences ont été décrites récemment. Aux fins de l'attribution de protéines supérieures à environ 130 acides aminés. t hr heteronurlrar i- Akthrrviationa utilisé n.m.r., nu

copie : %I). tridimensionnel : 41). thrfvtlitnf

nationale 1T). fi)ur-dimensionnel : (‘JITT-T. (‘cnc

mrr.ri, mrr t, inhibition de la rypsine, ou I X'OE. Effet Xurlrar Overhausrt : IL'OESY. NOE bidimensionnel : spfx

troscwpy : pour votre information). décroissance de l'induction f'rrr : tJR. jurnprpt,urn: TO('87. total cwrrelation spectroscopy HMQC. heteronuclrat multiplr quantum wrrrlation 31) NOE- NOE, thrrr dimrnsional h'OF:- SOE: L)IS(:E:O, tlistjancr gromet,rj prcjgratn .c'OSY.exclusivf

Spectroscopie de rotation : SA. recuit simulatfd : r.m.s.. racine mran carré : r.tn.s.tl.. r.m.s. différence.

L'expérience 3D semble être plus utile que l'expérience homonucléaire. L'expérience hétéronucléaire a une sensibilité plus élevée car elle implique de grandes constantes de couplage hétéronucléaires par rapport à la largeur de raie du proton. Il a également une résolution spectrale plus élevée en raison des plus grandes dispersions de déplacement chimique des noyaux "N et 13" par rapport aux déplacements t)hc "H. Le nombre de cross-peaks dans un hétéronucléaire 31) spec’c’

trum est égal à t)hat du spectre homonucléaire PI) correspondant, tandis que des pics csross supplémentaires compliquent un homonucléaire 31) sprc%rum. Pourtant. sur (ae les affectations ont été faites, les spectres homonucléaires 31) NOE contiennent plus d'informations relatives aux critères de distance que les 31) spectres hétéronucléaires correspondants (Fairbrother et trl.. 1!)92). Cette information est critique pour une détermination précise de struc+urr. Rrc

ntly t hr potentiel d'homonucléaire 31) L'expérience SOLNOE a I)een dt

tnonstrated pour la différentiation

iori des voies de diffusion du spin (Boelens rt crl.. 1989 : Krrg rf r/l.. 1990 : Kessler rt (

1.. 1991). Également. 31) Spectres NOE--NOE (San être utilisé pour évaluer la quantité de diffusion de spin dans les spectres POESY 2D (Habnzettl et nl., I!Nl). Dans cet article, nous décrivons deux approches différentes pour la détermination de la structure de protéines basées sur les informations dérivées de l'expérience homonucléaire 3D SOE-NOE.

L'approche est basée sur la transformation des intensités 3D en contraintes de distance en utilisant l'approximation lijk cc rij6r,i6, où Zijk est l'intensité du pic 3D NOE-NOE, et les rs sont des contraintes de distance extraites du pic 3D. Dans un rapport préliminaire sur cette approche, nous avons déjà montré qu'un grand nombre de contraintes de distance peuvent être extraites du spectre 3D homonucléaire pour fournir des données d'entrée suffisantes pour « les structures à haute résolution » (Holak et al., 1991). Une description détaillée de cette approche est donnée dans le présent article. Dans la seconde approche, les intensités NOE 3D sont utilisées directement dans les calculs de structure. sans se transformer en contraintes de distance. Une nouvelle fonction de potentiel 2D représentant l'intensité de t'hr 31) NO%NOE est développée et utilisée dans le protocole de recuit simulé. Les deux méthodes sont testées sur deux protéines : CMTI-I, un inhibiteur de la trypsine de Cucurbita maxima. et l'hisactophiline, une protéine de liaison a&in de 118 acides aminés de Dictpsfeliwn discoideurn.

et Méthodes de spectres et d'intégration

Les spectres humonucléaires 31) NOE-NOE ont été acquis à partir d'un échantillon de 15 mM de CMTI-I à pH 4,3 dans 2 mM d'acétate de sodium. 9O'jb H,O/lOqb 'H,O. CMTI-I a été isolé de la se& de’ C’ucurbita maxima et purifié comme décrit précédemment (Holak it al.. 1989a). Les spectres ont été enregistrés à 25"(: sur un spectromètre Bruker AMX-600. Les 31) expériences ont été réalisées en utilisant une séquence d'impulsions décrite par Boelens et al. (1989). Deux spert ra 3D NOE-XOE ont été acquis pour CMTI-I. Dans le premier 31) NOEL-NOE (Axperiment. 2 temps de mélange identiques de 140 ms chacun ont été utilisés. Dans le second. les deux temps de mélange étaient de 50 ms. Chaque FIU se composait de 8 scans. L'ensemble de données, se composait de t, xt, xt, = 256 x 256 x 512 points sur une largeur spectrale de 7400 Hz dans les 3 dimensions, résultant en un temps de mesure at,ot,al de jours 6. Seuls les sous-volumes contenant les résonances jjH dans F3 ont été traités. Des transformations Lorent, z-à-gaussiennes appropriées et un remplissage de zéro en temps I dans les 3 dimensions ont été appliqués. avec une correction de la ligne de base par un polynôme d'ordre 3 dans la dimension F3. L'hisactophiline a été exprimée dans E. coli et purifiée essentiellement comme décrit par Scheel et al. (1989). Par rapport à l'hisactophiline de I)irtyosfrlium discoideum, le pol,vpeptide d'E. coli contient une insertion de 4 acides aminés supplémentaires Glp-Glu-Pha-(:ly après la méthionine initiale, c'est-à-dire que le nombre total de résidus est de 122 (Scheel et al. 1989). Comme il n'y avait pas de connectivité NOE triviale attribuable aux acides aminés d'insertion. nous avons numéroté les résidus acrordiny à t) hr séquence aminée de l'hisartophiline de nictyoatrii,,

m discoidcxm. Les spectres 3D NOE-NOE pour l'hisactophiline ont été acquis par une séquence d'impulsions JR comme descbribrd b,v FLOSSuf (II.. 1991). Les temps de mélange étaient de 100 ms contre l'ensemble de données composé de I, x t, x t, = 240 x 256 x I K (K, kilo-octet 1027 points) sur une largeur spectrale de 7400 Hz. Eac*h FTD se composait de 8 scans résultant en un temps de mesure total de 4 jours. Les autres paramètres spectraux et de traitement étaient similaires à t,ot,hosr utilisé pour t,hr ('MTI-I spect,runl. Les spectres ont été acquis à partir d'un échantillon de I.7 mM d'hisactophiline à pH A5 dans 50 rn3r-KH,PO, Tt, on peut apprécier que,, avec 31 histidines et 15

glycines supplémentaires. l'attribution des spectres ne l'était pas. une tâche facile. Le n.m.r. les spectres de l'hisactophiline ont été attribués avec le n.m.r. 2D et 3D. méthodes basées sur les spectres suivants : 2D NOESY, 2D TOCSY. NOESYHMQC 3D, TOCSY-HMQC 3D. 3D NOE-NOE JR. Les résonances de proton et d'azote de la plupart des atomes du squelette et de la chaîne latérale ont été attribuées. sauf ceux à l'extrémité amino de la protéine (3 acides aminés de première insertion et Metl) et dans la boucle entre les résidus 26 à 30, dont les affectations n'ont pas pu être confirmées en raison de la rareté des connectivités NOE à ces résidus. Les techniques 3D hétéronucléaires se sont avérées très utiles pour l'attribution des glycines en raison de leurs déplacements chimiques 15N uniques. Aussi, le chevauchement des protons NHs dans la région la plus peuplée. entre 8,3 et 20,9 pm, a été le plus souvent éliminé en étendant les résonances dans la « dimension N. La fonction pot)entiel 2D pour le NOE 3D

Les intensités NOE ont été intégrées au programme X-PLOR (Briinger, 1988). Le traitement des données, la sélection des pics et la simulation des spectres ont été effectués avec notre propre logiciel. qui est disponible sur demande. Les 31) cross-peak int,ensit dans le sprcatra ont été semi-quantifiés en mesurant l'int,ensit). du point le plus élevé d'un volume autour du crosspeak 3D. Cette intensité est directement proportionnelle au volume du 31) cross-peak à condition que la largeur de ligne,h de chaque pic dans les 3 dimensions soit similaire et plus grande que les multiplicités des signaux. C'est le, (‘asp dans le RD SOE

(b) Th tory L'intensité d'un 31) NO&SOE (aross-peak, ), bet,ween spins i. j et k. est proportionnel à fijk(Trnl. Tm2 par le produit des rendements de transfert de NOE individuels de chaque temps de mélange (Boelens rt 01.. 1989 : Grirsingtr et nl., 1989) : Iijt(Tmt' Tm2) = clrxP(-Rz,z) lijlexP(-RT,, )Ijk-Akk((l). (1) où T,, est le premier et T.

le deuxième temps de mélange. R représente la matrice de relaxation croisée. d,,(O) l'aimantation d'équilibre du spin k. et c est une constante. Tf %I = 7m2. et comme R est symétrique. l'intensité d'un pic de rétrotransfert est donnée par : I. (L) = c[‘=p( -&,,)]

&.(W (2) qui est proportionnel à t,he carré de l'intensité du pic XD correspondant Ii, en mélangeant titnr T,. En développant les exponentielles dans l'équation (1) et en négligeant toutes les trrms supérieures au 2ème ordre dans T.

. un cnross-p(Lak (i ​​#,j # k) est thrn donné par : 'tj/c(Tml, Tm2)=

Comme le taux de relaxation croisée. Rij. est proportionnelle à l'inverse de la puissance 6 de la distance de séparation, rij, des 2 prot,ons i et j, les contraintes de distance peuvent être dérivées de 31) les intensités NOE-NOE par une mise à l'échelle appropriée avec des distances knnu-n en utilisant l'al )l)rosimatioll : lijk = Kr,g%,“, (4) où rij et rjk sont les distances entre les protons i. j et j, k respectivement. et h' est la constante d'échelle,ant For (i #,j = k). l'extension donne :

qui, après négligence, ing 2e o&r proportionnel à Rij.

Dans la première méthode de la détermination de la structure de 31)

?U'données OE.seules les contraintes distantes tlrrivcvl de rqns (2). (4) aride (5) verp utilisé dans le c

-llout 10 t,o 50”, de la distance wnst,raints vew c

NOE spwtrum avec les deux temps de mélange de iO 111s.thr reste des contraintes de distance d'un spectre avec,h les deux temps de mélange de 110 ms. Thv litttw slw'trum rxhihitrd un bflttclr rapport signal/bruit. Trois cwnstants de c4ibration srpratr (KS) wcxre tlrtrrv minrd en utilisant le cvnnwtivitiw qui impliquait la distance interf) roton connue: I caonstant pour les pics croisés avec 2 des 3 F,. F2 et b fréquences égales (le 2Y, ant1 AT1 cw

ss-p&s). I pour les pics transf'rr arrière ant1 I pour th(b "rtlal" 31) 9OE SOE cwss-peaks avec 3 frrqurncirs différents. Les pics de vross S, atld 'T2 sont de tlw à t hr ditwt XL'obZs pendant le premier titrlw srconcl ant1 srconcl fnisitlg. wsprctivcJly (je

1..1990). ‘I’ht, .V et ‘V2 pics art’. dans thr lincsar af)l,l,oxirnation en t, et z,z. proportionnel au tlistanvv. rL“. de rq

l (-5). Thc,rttforr thr valihration constant pour le S, et .V2 praks (‘an he usfvi dirrc+ly to cA(

uprrimetital intrnsitirs sur thr .VI anti s, lignes. Fol, c

. thts .Y2 c.onnwtivit>, 22/jz "-" l-4 222 dans la figure I donne la distance cx)nstraint twtvwn ('K

*H et ('vs22HS (l'Ilotat,ion L'g, z/!l, "" N c.,r

ls à thv mss-peak (14', = ( 'vsP2('P2H) -( Fz = ('vs

'H) - (I = C'ysL'dHN) sur les lignes A?1 au plan NH lm'idr de rrsitlur C1ys22). Comme thr hsc

pics arv proportionnels à r I2 Dans l'approximation d'ordre 2 en T, (ec4n (2)). le ttistanc,r wnstrxint c'ibn tlso tw c

ulatrtl directement à partir de l'intensité 31). Pour le 91) wowpeaks avec 3 fréquences différentes. le tlistanw cxjnstraint vorrrspontling à I des 2 transferts NOlC à Iw connu afin de calculer le tlistancar cwnstl,aint irl-olvrd dans thr ot1lc.r transfer (rqns (3) anti (4)). Thew rr+rrncv tlist,atic.r c.constraints vere acyuiwtl t'rottl tlrt* tiistanw c.constraints ohtainetl de thtl AV, et S, ('row lwaks et de thtl hac*ktransfer ptsaks M ith I c, *onstarlt. Les distances interprotons tirées des gromrtries connus pour les avides d'amino ont également été utilisées. Par exemple, le tlistanw ('"H(i) NH(i), vhic*h est généralement égal à . I24 (I .% = I( )-' nnr) pour l'amino witis pas dans le r-hrlic4 c

ioti (thr I)rotvins studirti hew) (1j'iithric.h l'utilisation de tels étalonnages est discutée dans morr dthtail dans tht I)discussion (Holak rf

). Tout à fait. 541 rvmstraints tlistanw wrre obtenu, provenant du 37) XOE SOE HJMYtrum. Un c

Un atalogue du nombre anti tvI)t's des contraintes est donné dans le tableau 2. Parmi les contraintes totales, al h4l clistlnw cwnstraints. 312 vt'rti derivtvi des pics 3-f'requtwy

Irrtrarrsidur Long (Ii-,jl L 5) Moyen (Ii-,jl I$-

où k est la constante de force et A et A sont les limites d'erreur inférieure et supérieure. respectivement. L'intensité Z$ est

l'intensité mesurée 31) X0& NOE divisée par la constante d'étalonnage thr K déterminée après l'équation (4) et comme décrit dans la section (b) ci-dessus. La différence entre l'intensité h'OE-NOE 3D calculée et observée est maintenant une force motrice sur les coordonnées de la protéine dans l'étape dynamique ou de minimisation d'énergie du calcul de la structure. Tf l'intensité observée Z$ et la 31) NOI ? l'intensité I$ calculée à partir du modèle de structure sont les mêmes dans les limites d'erreur (A.. A,), le terme énergétique ,q!ijk' ,n,enSi,y est alors nul et la force de ce ronatraint sur les coordonnées de la structure du modèle est également nulle. Tf la différence entre l'observé et c*al(*ulé

Figure 2. Graphique logarithmique du potentiel d'intensité NOE-NOE 3D pour un pic li+,+k. rij et rjr sont les distances entre les protons i. j et j, k. respectivement. L'énergie dans la zone « blanche » est nulle et augmente avec la distance de cette zone. Les lignes dans l'intrigue. donner les limites de distance inférieures de la fonction de répulsion (1,6 w).

intensités n'est pas nulle dans les limites d'erreur données. une force agit sur les coordonnées dans la direction pour faire en sorte que le modèle structurel remplisse la contrainte. La racine 12 négative des intensités a été prise pour définir cette énergie dans une taille comparable aux autres contraintes de distance NOE. Le potentiel complet pour 1 contrainte d'intensité est représenté sur la figure 2. Il s'agit d'une fonction 2D avec les 2 variables. rij et rjk, sur les axes .c et y. respectivement. Les contours représentés sur la figure 2 correspondent aux hauteurs d'énergie. Dans la zone centrale « .vide » du tracé de contour. l'énergie est nulle et augmente comme une fonction carrée avec l'augmentation de la distance de cette zone. La fonction énergétique de la figure 2 correspond à une intensité observée)-1 : de 8,72 x IV6 unités. En supposant que les 2 distances rij et rjk soient égales, cela correspondrait à une distance de 2,64 a pour les deux paires de protons (2,64-” = X,72 x 1W6). Les erreurs supérieures et inférieures d'intensité, AU et A,. respectivement. sont choisis de telle sorte qu'une erreur supérieure et inférieure dans la distance de 0,3 A pour les deux paires de protons en même temps soit autorisée. Dans l'exemple ci-dessus. il correspond à AU = 2,84 x 11)-' et A, = 6,32 x lW6 unités. Les limites d'erreur sur les distances ont été restreintes à W3 A. car seuls des pics croisés plus intenses 31) ont été utilisés dans les calculs. Les intensités utilisées pour les calculs correspondaient à la contrainte de distance maximale de 3,3 4. en supposant que les distances impliquées dans le 31) pic soient égales. Sur la figure 3, les erreurs supérieure et inférieure dans les intensités expérimentales sont tracées en fonction de l'intensité obst>rred. Le graphique montre qu'une limite supérieure de 0,3 .q de la distance correspond à la limite inférieure d'erreur de l'intensité jusqu'à 75 %. Le (k3 .& differencar dans la limite inférieure de la distance t,he correspond à l'erreur dans la limite supérieure de t,hr de l'intensité de 450°h. Ces relations reflètent la dépendance de t,hr de la 31) intensité XOE-KOE sur le distances par l'équation Zijt cc rz“r,i6. Dans le c-asr des pseudoatomes, qui représentent des groupes méthyle ou st,rreospec

mrthylenr non attribué

Figure 3. Limites d'erreur supérieures (lignes horizontales) A ​​et limites d'erreur inférieures (lignes verticales) A, dans l'intensité expérimentale tracée en fonction de l'intensité I$.

protons, la limite d'erreur inférieure de t,hr intensité Ar est augmentée de sorte que l'erreur d'intensité hounds rorrrspond t,o une erreur de distance supérieure de 1,3 h. L'exemple de la figure 2 le montre. si la distance dij était de 1%. la distance dj, pourrait être très grande (par exemple 10 A) sans violer la plage d'intensité autorisée. Mais avec la fonction de répulsion présente. la distance inférieure est limitée à 1,6 A. Cela n'autorise que les distances au-dessus et à droite des lignes de la Fig. 2.

recuit protoml mnstrain,ts fmly

La structure de CMTT-I. sur la base des contraintes de distance dérivées des 31) spectres NO%SOE. a été déterminé en utilisant la méthode hybride de DTSGEO et le recuit simulé dynamique (Holak et al. 1989a). Le protocole de base utilisé pour les calculs a été présenté précédemment (Holak et al., 1989a.c). Le protocole s'étend sur 4 ères. Dans l'étape 1. les coordonnées des substrats sont obtenues à partir du programme de géométrie des distances DISGEO (Havel. 1986 : Have1 6 li'iithrirh. 19X.5). Au 2e agr. tous les atomes manquants dans les sous-structures sont ajoutés. L'étape 3 consiste en un recuit numérique simulé (Bilges et al. 198X). c'est-à-dire augmenter la température du système, suivi d'un refroidissement lent du système pour surmonter les minima locaux et localiser la région du minimum global de la fonction cible. La 4ème étape implique 200 c

ycles de nlitrimisation de Powell contrainte. Ces 3 dernières étapes ont été réalisées avec le programme X-I'LOR (Briinger. 1988). ,411 protons ont été rxplicit,l> définis dans les calculs de recuit simulé dynamique. Les protons méthylène et les groupes méthyle ont été attribués arbitrairement à H et H. ou moi, et $lr,. pour les protons résonnant à t1.m.r. des champs. respectivement. Dans le protocole qui utilise substruc+urrs. les constantes de force pour les longueurs de liaison. angles de liaison et planéité art> les mêmes que t)tuyau utilisé dans le raffinement des structures en utilisant les contraintes de distance dérivées de NOE (Holak et al. 1989a). La fonction cible de pseudoénergie utilisée dans les calculs était un potentiel de puits carré. Les 21) contraintes de distance NOESY n'ont pas été utilisées dans le

constantes bt'I'v iO IiC'ill lllol

1 .p-* for ihe tlistant.ts t,(mstraints and 30 kt,al mol ’ .r * for thr inttJnsit>t

tol)hilin avec tout tht, disponible

étaient également t * arrird avec le ,Y-I'LOR

In-ograrn et étaient basés sur un protocole similaire à celui utilisé pour les contraintes de distance uniquement. Le psrutlor

la fonction cible énergétique était la 31) fonction int,eniity dans rqn (9). Comme il n'y a pas de contrainte de distance. ce n'était pas J)ossihlr d'utiliser I)TS(:EO pour créer des structures de départ. Les structures de départ étaient-elles donc construites avec X-I'T,C)R I) ? au hasard grilrratinp 4 et li/ angles. 1dans le c

ulat,itms startirlg à partir de structures aléatoires. NY a utilisé quarante vonstant,s supérieurs pour les longueurs de liaison. angles de liaison. improl)ers atrtl [Aanarité. t) parce que des forces élevées provenant de at+ t

)orally sur thta I)rotriri. surtout au début expérimental du pliage. Le t

ulations start)4 avec une minimisation initiale de 60 stq)s et avec un tier de loavan 2'dS ft,rtY? tY)instant de lllt

l-l 4-* 0,1 kcal (I t.aI = 4,2 *I). ill1 Ei”,e”si,y k, forcat, constante de 1 kt,al lllOl ' .A-

* et un angle dièdre (kdièdre) pour un tvnstant de 5 kt.al molrad'. Les constantes fortBe à maintenir

tl Irngths (kbonda). les angles de liaison (kanglea) et les improl)ers (kimpr) ont été fixés à 1000 kcal mol ml &*. 500 ktaal mol I ratI- 2 ant1 500 kt-al mu-’ ratI-* rrsyW.ively. Tn tht, followinp 337,50 t,imrstel)s (2 fs) de haute t,emperaturr dvnallliw. les forve constantes kbonds. lZangles et iimpr werf' réglés à 500 kt,al rtrol

l. 400 et ZOO kval mol-’ rad-*. rvsl)ct

tivement. Dans le simulat,rd-alinraline stag" de haute tr

nryraturr dynamic3 (X)00 timestrl)s de 2 fS). thr forcv cY,

rcasrd à -C kcal mue' -4-l. k, à 100 kt.aI mol-’ A-*. et kdihedra, à 200 kcal moi-’rad’. . itbr refroidissement du système. la dernière étape impliquait 200 t

s de c*onstrainrd Powell minimisation avec kbonds = IWO kval mom' .A

2. kangles = ,500 kval mol ’ rad - 2. et Le t*alculatitm d'un strutakimpr = 500 kcal rnol- ' ratI-'. turta de (‘MTT-1 avec Xti intensité t * contraintes a pris alyroximately I h caentral In-ocessor unité de temps sur elle (‘ONVEX (‘220 t*oml)utjer. Les contraintes d’intensité étaient oi)tainetl soit du 31) NOE

NOE q)ectrum avec les deux temps de mélange de 0,5Oms (40 à 0,50, en nombre) 01' devant un sy)rt*trum avec les deux temps de mélange de 110 ms. Le nombre)c

r des contraintes d'intensité utilisées dans cette arction était plus petit que celui rxtract,ed de t,hti 110 ms syvtrum seulement (SW srtation (P)) parce que des intensités plus faibles n'étaient pas

Les structures de ('MTT-I et hisact,ophilin ont également été déterminées

tl des contraintes dist,ancr et intensit,y ]-)resrnt dans les calculs. Pour ("MTT-1. les NOES 3D sur t,hr LV, et 3, l'lanrs ont été introduits comme des contraintes de distance. Le même protocole que dans les calculs avec 31) des contraintes d'intensité a été utilisé. à l'exception que la constante fort,r des contraintes de distance était de IO0 kval mol-’ &*. Pour l'hisactophiline. il y avait 1287 contraintes de distance dérivées de l'éqeriment 31) SO&I%OE. au cours de notre plus tôt n.m.r. étude sur l'hisactophiline. Hors, de ce nombre. 1150 connr&ivit,irs pourraient également être identifiés dans le 21)

contient un ilrsrrtioli of’4 addititmal arniiio xt,itls afttsr t Iit> irlitial nit&i hionilrc

l out fiH thv amino ataitl st'tji

,/ium di.scGdetrm as thrrta vt-rt’ no trivitl SOE twnnrctivitif3 rssignal)lr to theatlditionLI amil10 irc,itl fragment

Trois ensembles de structures ont été

alt*ulatc:cl pour (MTI-I. Dans le premier ensemble, les affectations stéréospécifiques* des tsentres prochiraux obtiennent4 dans l'étude précédente (Holak rt al.. 1989

) et du spectre E.COSY ont été retenus dans le c

calculs. Quatorze contraintes d'angle x1 avec des limites t,hr + 30" ont été utilisées dans ces calculs. La seconde stlt a été obtenue en utilisant la méthode de chiralité flottante dans la distance de recuit simulé (*strain&, était de 0+49 pour t)ces 229 distance caonst raint,s. De nouveau. sur 336

Structure ('ombinedt :%I)-Intensitv$ Hisactophilin t ('alculatrd avec une combinaison de contraintes d'intensité et de contraintes de distance. dérivé de 31) NOI%NOI?SJWtrUtn uniquement.

Tableau 4 =ftowLic r.m.s. différences

entre les structures de CMTI-I et 3D n.m.r. données Hravy

3 I) distancet NY-sus 3D distance 31) intensitéf

crsus 31) intensité (‘ombined§ versus distance 3D combinée WGSUS2Dll (‘ombined UCTSUS 2D 21) twst

s rrfinedf 3D distance WTSUSrefined 31) intensité ZWSU,Srefined (‘om bined

rsus affiné 21) I'cIs1L8X-ray 31) distance I'prs?LsS-ray 31) intensité IW

.E X-rag (‘combiné contre Y-ray Refined WTSUSX-ray 31) int,ensit,y W

SUScombined 3 1) distance PPISW c*combed Ail r.m.s.d.s.s déterminé pour les résidus 3 à 29. t Strncturrs calculés avec des contraintes de distance dérivées de 31) NOE-NOE sprcstrum. : (‘alc*ulé avec les contraintes d'intensité dérivées de 31) NOE-

Spectre NOE uniquement. $ (‘alrulated avec les contraintes d'intensité et les contraintes de distance des pics avec,h 2 freyurn

d de 31) Spectre NOE-SOE. Ij (‘calculé avec des contraintes de distance d’un spectre 2D NOISY (H&k rt nl.. IWOn) c Rrtined avec l’approche matricielle de relaxation des volants (Silgps of ctl.. lO!#l).

contraintes d'intensité. les dix structures n'avaient pas de violations d'intensité qui correspondaient à une violation de distance supérieure à 0,5 A pour les deux distances définies par l'intensité 31) NOE-NOE. La reproduction des ponts disulfures était similaire aux calculs avec contrainte d'intensité seulement. Les écarts par rapport à la géométrie de liaison covalente idéalisée étaient également presque les mêmes. La moyenne R.M.S. la différence entre les structures elles-mêmes était de 0,52 A f @I 4 a pour les atomes du squelette et de 1,22 A&-019 A pour tous les atomes lourds. (d) Strwturr

hisactophiline à partir d'une combinaison et de contraintes d'intensité

Dix structures ont été calculées pour l'hisactophiline. comme décrit dans la section (g) ci-dessus. La chira flottante-

La méthode de lité a été utilisée pour obtenir des affectations stéréospécifiques aux centres prochiraux d'une manière identique à celle du CMTI-I. X11 dix structures satisfaites à l'expérience n'avaient pas de contraintes de distance. Il y a des violations de la contrainte mentale supérieures à 05 A. Le r.m.s. différences par rapport aux contraintes expérimentales, qui ont été calculées par rapport aux limites supérieure et inférieure des contraintes de distance, était de 0,12 8. Les structures, illustrées aux figures 7 et 8, présentaient également de très faibles écarts par rapport à la géométrie covalente idéalisée (liaisons, angles et impropres, écarts types) et avaient de très bons contacts non liés ayant des énergies négatives de Lennard-Jones-van der Waals. La moyenne des R.m.s. les différences entre les structures 3D NOE-XOE étaient de 2,48 A iO36 A pour les atomes du squelette et de 3,57 [email protected] A pour tous les atomes lourds. Le cor-

Figure 7. Stereoview des atomes du squelette (N. CCL C) des 10 structures d'hisactophiline les mieux adaptées à tous les acides aminés avec la rxcrption des résidus 25 à 33, 47 à 49, 55 à 60, 65 à 74 et I1 7 à 118. Le polypeptide d'acide aminé de l'hisartophiline de Dictyostelium diacoideum a été utilisé dans les calculs (voir Matériel et méthodes. section (a)).

Figure 8. Stereoview de thr

(*Il-d&iwd parties de thr structure. t,le nholr hackbonr est affiché. et pour t,lre othrr t

)tion des résidus 25 à 33. 17 à 441,55 à 60. 65 à 74 ajustement aux moindres carrés des parties de thra I)wkbonr atomes montrés rmsds werr sponding 2,52 -4 f 0,35 A, respectivement, segments d'une forte variabilité iMtd 8 : voir aussi discussion).

143 A * 024 A et lorsque les résidus dans le ont été exclus (Figs 7

4. Discussion (a) Structures

Constmins SD LVOE-NOE uniquement

L'information dans l'expérience 31)NO%NC)E est surdéterminée : de nombreuses connectivités sont observées à différents plans NH, comme illustré pour la connectivité 22CaHP28C”H. Les affectations sont donc plus fiables, en particulier pour les connectivités à longue distance entre les chaînes latérales de différents résidus. Environ 200 de ces NOI& à longue portée pourraient être obtenus à partir du spectre 3D SOE-NON. De telles connectivités peuvent également être obtenues à partir de spectres 2D d'un échantillon de protéine dissoute dans *H,O qu'ils soient. cependant, il est plus difficile d'attribuer sans ambiguïté aux cas dans lesquels une seule activité COW entre des protons distants dans la séquence primaire est observée. Tel a été le cas pour le caonta& entre Tyr27 et Leu23. La connectivité ? a été observé dans les Xl) NOES' specs27&236. trum. mais non utilisé auparavant en raison de l'ambiguïté des affectations résultant d'un chevauchement partiel avec les méthyles de Leu7. Cette connectivité a été résolue dans le spectre 31) en outre, 27-23 contacts ont été observés, c'est-à-dire 23y-27

a donné trois pics croisés à travers différentes connectivités dans le plan de 27

. Les nouvelles contraintes de distance entre 27 et 23 se traduisent par un rapprochement de leurs chaînes latérales dans le 31) NOTi-NOT ? structure que celles basées sur les 21) spectres NOE8Y (Fig. 4). A part cette différence. les structures sont très similaires (Fig. 4). De nouveaux cross-peaks plus importants, non observés dans le 2J> NOESY en raison du chevauchement, impliquaient de faibles &-6X et 4/. - BN. Les contacts sont essentiels pour lever l'ambiguïté dans la conformation de la boucle de liaison de la protéase vue précédemment (Holak et al. 19891',). En conclusion. le jeu de données 3D autorisé

Atomes faibles de la structure IO hiwc+ophilin. Icor I structures. les I)ac*kl)onr atonrs de tous les atnino ac,itls avec thr et I I5 à I IX arcs shot5 n. je suis

)osition VNSdone hy 8 pour toutes les structures urw. meilleure définition de’ la structure que

était auparavant possible dans les spectres 21). Le 21) n.rt1.r. Les structures étaient déjà basées sur un nombre vt'rv Iargc de contraintes de distance. totalisant 3:L4. L'expérience 31) NOEm-XOE a fourni 541 contraintes de contrainte. Dans la troisième série de strnc

tnrw. Les ponts disulfures thrl n'étaient définis ni en tant que liaisons ni en tant que distance (contraintes. Ces structures sont presque identiques à celles calculées avec les liaisons disulfures spécifiées. Qualit

L'analyse ativr des spectres NOESY peut généralement fournir les informations nécessaires pour établir la présence de ponts disulfure (LVilliamson et al. 1985 Kline Pt (cl. 198X).Le C ?H-('OH NO& bet.wren deux eysteines indique généralement que, les eysteines pa'ticipate dans le pont disulfure. Dans (MTT-1. Les trois ponts disulfur, dont les positions sont connues de la X-ra) st ,ructure. sont très proches les uns des autres. et il est possible d'intégrer

les hanpr sans aucun changement drastique dans la structure secondaire et tertiaire. Il y a aussi plusieurs ('"ll--(!aH NO& prwc'nt dans les spectres NOR entre les cystéines, qui sont impliquées dans le pont disulfure. Par exemple>, la connexion entre 1S/I et 20/I serait suggérer un appariement incorrect du c

L'appariement S pourrait être déterminé sans ambiguïté à partir des structures. La distance S-S

est le n.rr1.r. 2,0 & 2,2 '4 dans le pont disulfure, ce qui correspond à la distance observée pour le bon appariement S -8 des cystpines. Dans tous les autres arrangements, l'art. la tlistance entre les atomes de soufre était supérieure à 5,5 :I. à l'exception de l'appariement 10-28. pour vhic*h la distance est de 3% A. Dans le 211 NOESI stru(+urt's. tht, conformat,ion du pont disulfure IO-

%2 vas défini de manière unique les deux autres ponts disulfure ont montré la présence d'images miroir au niveau des atomes de soufre q (Holak et al. 1989n). Les structures actuelles présentent un c,onformat,iotis unique pour tous les ponts disulfure t hrb. La capacité d'obtenir des structures avec les c,onformat,ions déterminés des ponts disulfure pourrait être attribuée à la présence de nouveaux NOES dans le 3D spectre impliquant kyste,eines.

La qualité des présentes structures est telle qu'une comparaison détaillée avec la structure aux rayons X de l'inhibiteur dans le complexe trypsine est possible (Bode et al., 1989 Holak et aE.. 1989b). Le n.m.r. et les structures aux rayons X sont presque identiques en termes de pli global et de structure secondaire (Fig. 4). Il y a. cependant, quelques petites mais distinctes différences entre le n.m.r. structures et la structure aux rayons X aux résidus 17 et 24 à 27. Le n.m.r. les structures de ces régions sont plus étendues que la structure aux rayons X. Cette expansion n'est pas un artefact de la RMN. Les données. Par exemple, les distances interprotons 17fl,-46 et 4fl,-17p,,2 sont de 2,2 a et de 3,0 .A dans la structure des rayons X. respectivement. Aucun NO correspondant n'a été observé dans le spectre 3D SOE-NOE. Comme ('MTT-I a trois ponts disulfure, qui fixent l'ensemble de la structure, la protéine est très rigide. Une forte réduction des intensités ?OE en raison de mouvements internes n'est pas probable pour les pa,toms du résidu proche d'un des ponts disulfure. Il n'y a également aucune preuve d'une multiplicité dans la conformation de R-04. Par conséquent, dans les structures n.rn.r., ces distances doivent être supérieures à 3,5 I, une estimation inférieure plutôt prudente qui tiendrait compte d'une flexibilité accrue du segment (l'epermans et al., 1988). Certaines autres différences mineures pourraient être identifiées positivement entre les deux structures. Un contact très étroit entre 127 et 12N de 1,8 &A, comme on le voit dans la structure aux rayons X. devrait donner lieu à un fort SOE : dans le spectre 31) 90 %NOE. Cependant : ce contact est faible dans le spectre. et par conséquent un longrr distance*e est vu dans t,he n.m.r. structures (Fig. 1). La différence entre le n.m.r. structures et la structure des rayons S au niveau des résidus 24 à 27 a été remarquée précédemment et a été attribuée à l'effet du tassement cristallin et de l'interaction avec la protéase dans la structure cristalline (Holak et al. 1989h). Ces exemples le montrent. avec les structures actuelles. il est possible de faire des différenciations même minimes parmi les structures qui sont pleinement supportées par les données expérimentales. (b)

Strwtuws from thu 3D XOE-NOE umstraints inhstraints or a combir

ation de l'intensité et de la distancf, contraintes

Les conclusions tirées dans la section précédente sont également valables pour les structures calculées à partir des contraintes d'intensité. La qualité. en termes de géométrie et d'accord avec les données KOE, des structures de (IMTI-I calculé avec les contraintes d'intensité était légèrement. mais sensiblement. mieux que t,ha.t des structures calculées en présence de contraintes de distance (Tableaux 3 et 4 Figs 4, 5 et 6). Nous avons choisi la structure t)hc de CMTI-T. qui a été affiné avec l'approche matricielle de relaxation pour un modèle de référence le plus proche de la structure minimale globale. Pour les contraintes de distance, la procédure d'extraction des distances à partir des 31) pics croisés NO&NOE est relativement longue. car cela nécessite une connaissance d'une distance dans chaque 3D

cross-peak afin d'extraire la deuxième distance. Cette étape est absente lorsque l'on travaille avec les contraintes d'intensité. Après une calibration initiale de quelques intensités de contraintes de distance connues (eqn (4)), la détermination des deux distances dans le pic 371 XOE--NOE est laissée au calcul lui-même. Dans la méthode int,ensity. les bornes d'erreur des contraintes de distance impliquées dans les contraintes d'intensité jouent un plus petit rôle dans les r.rn.s.d.s. finaux des structures que ce n'est le cas lors de l'utilisation des contraintes de distance directement pendant les calculs. Ceci est souhaitable, car les bornes d'erreur aux contraintes de distance sont actuellement choisies sur la base d'un critère assez subjectif. Un autre avantage important des contraintes d'intensité est que la procédure se prête facilement à une automatisation de calcul, telle que la sélection de pics et la sirnulation des spectres. En fait. le calcul donne non seulement les structures, mais aussi un spectre simulé qui) peut être directement comparé au spectre expérimental (Fig. l(b)). Les structures calculées à partir d'une combinaison des contraintes d'intensité et des contraintes de distance (dérivées de pics à 2 fréquences égales) présentaient des paramètres énergétiques et géométriques encore plus proches de ceux de la structure de référence CMTT-I. Ce n'est pas surprenant, car la qualité de t.hr st#ru(stures augmente avec l'augmentation du nombre de ronst8raints non triviaux (Wiithrich. 1986). Le calcul de la structure de hisa.ctophilin off'rrs a exemple pratique d'une application des données SOE-NOE 311 à la détermination des structures de protéines plus grandes.Hisactophiline.une protéine unique de liaison à l'actine provenant de I)ict!lostr/iurn discoiwhich dwm. est un capteur de pH sous-membranaire. induit la polymérisation de l'actine à des valeurs de pH inférieures à 7. et est donc un composant putatif de la chaîne de transduction du signal (Scheel et 01.. 1989). La protéine a un poids moléculaire de 13,5 kI)a. et sa caractéristique la plus caractéristique est la présence de 31 résidus histidine sur 118 acides aminés. Compte tenu du fait que l'histidine est le seul acide aminé avec un pK, valeur proche du pH physiologique. les données indiquent que la molécule détecte le H+ c*concentratJion 1.i

les résidus histidine et est actif sous sa forme cationique. Un modèle structurel n'était pas disponible auparavant pour la protéine. Une superposition des dix structures de l'hisactophiline est représentée sur les figures 7 et 8. Une caractéristique des structures est la présence de 12 brins j et aucune hélice a. La structure globale peut être mieux décrite comme formant deux feuillets fl antiparallèles à quatre brins et un feuillet antiparallèle à six brins. La figure 9 montre des tracés de la valeur efficace at)omique. répartitions pour les structures. L'épine dorsale de l'hisactophiline au sein des 12 marques est très bien déterminée. Les tours et les boucles montrent une plus grande variabilité. avec la boucle entre les résidus 2.5 et 33 ayant la plus grande variabilité. La plupart des résidus dans ce segment n'ont montré aucun KOE dans les spectres ?'OE. Il est intéressant de noter que toutes les glycines et histidines, à l'exception de His3.5, His75 et His78. sont logés dans les boucles ou spires dont la valeur efficace atomique.

Figure 9. R.m.s. moyenne de l'atomir pairwisc. différences entre les structures de l'hisactophiline. l représente les résidus t,hr impliqués dans la feuille /? 0 représente les résidus de tours et les boucles 1 montrent les écarts types. La superposition de t,he strurturrs wsasas dans Pip. 8.

les différences pour les atomes du squelette sont supérieures à 2,0 A (Fig. 9). Plus de détails sur la structure de l'hisactophiline, ainsi que la description des affectations et des éléments de structure secondaires. sera présenté ailleurs. Tt ressort clairement des données présentées. cependant, que des structures bien déterminées de grandes protéines peuvent être obtenues à partir des 31) données NOE-NOE même sans la disponibilité des contraintes d'angle dièdre. Depuis la soumission de notre manuscrit, une communication est apparue qui décrit une approche très similaire à la nôtre d'une utilisation directe des 31) intensités SO&NOE pour les calculs de structure (Ronvin rt al.. 1991). La procédure décrite dans cette communication a été testée sur un RMN simulé. données pour une hélice a de huit résidus. (c) Conclusion

Spectre X'OE en H,O. t.hc SOE entre thta aliphatiques J)rotons peuvent être observés à, unique IrrlitI(b J>rot,on frequ(

s. L'approche oJ)timurn pour reJjroduc:ing t,he strrrc*

La teneur réelle du 31) NO&SOE cross-J)eak est l'utilisation du potentiel de pseudoénergie PI) de rqn (9). qui représente l'intensité du pic croisé. La différence entre le caJculat,ed et l'obsrrvetl 31) NOE-SOE: l'intensité est t,hrn utilisé directement comme moteur fi)rc:r sur les coordonnées de celui-ci Jjrotcill dans la structure thtb c

alcutation. L'utilisation directe des intensités NOB évite la transformation des intensités SOE en distances. qui est-ce que je suis-c

et introduit des erreurs de ciblage dans les caom&aints distants. en raison de l'inclusion d'une étape supplémentaire qui implique la mise à l'échelle des données. Comme 1he drtermination de t,he deux distances impliquées dans thch 31) NOE-SOF: ?ross-J)eak est laissé au calcul lui-même, l'erreur se limite à la tlist,ancet caonsi)rains impliqués dans la contrainte d'intensité,raint ,s J)lag un rôle smntlcr dans les rmsds finaux des structures que ce n'est le cas dans le cas de l'utilisation de la distance (Lonstraints direcat Jy pendant les calculs. Vr remercie Redmond Bernstein pour sa contribution à thr softwarcl drvrlopmrnt,. Ce travail a été soutenu par une bourse de recherche du J

lrll fiir Forschung und Tecxhnologir ((irant, no. OSIH!)O9A) et de t,hr I)eutsch Forsc

haft ( f’rojrcts Ho-l Z69jl 1. Shl-dO4/%4 et SFR dO7). .J.O. a trcscstla récipiendaire d'une bourse de la Fondation Humboldt

Références Rode. I‘.. Creyling, H. ,J.. Hubrr. R.. Ottrwski. .J. X : Wilusz. T. (1989). La structure raffinée des rayons X 2.0 AA c*r,vstal du clomplrx s'est formée entre la bovincL S-trypsine et la cmti-1. un inhibiteur de la trypsine des graines de courge (C’ucurDitn ntn.rimn). FEE'5 httrrs. 242. 385-293. Boelens, R.. -uister. (:. iv.. Koning. T. M. (:. & Kaptrin. R. (1989). Observation of spin diffusion in biomolec

,-tiimrrlsional XC)&XOE sprc+rosc*oJ)y. ,/. =Imrr. C'hrrrr. SOC. 111. 85%585dA. Honvin. A. 31. .J. .J., Koeiens. R. & Kaptein. 11. (1991). JIirect struct,urr raffinement en utilisant RI) SOE -XOE Rrso71. 95. 626 spectres de biomolr

nlrs. .JE. Mflgn. 63 1 Brég. J. X. Boalens. R.. Vuister. (:. LV. & Kapt(Gn. R. (1990). 311 EOE NOE spectroscopy of protein. Observation of séquentiel RI1 NOE carosspeaks in arca repressor. ,I. Nagn. Krson. 87, fi4B--Cl Kriinger. AT ( 1988). ('Raffinement rytallographique' 1)) recuit simulé. .I. Mol. Hid. 203. 803- XI 6. Fairbrother. V. .J., (iipprrt,. (:. I-'. , Reizrr. .I.. Sairr. NH. *Jr & Wright. I'. E. (1993). Structure de solution à faible résolution du Ntrcillun su6tili.q glucost : permease TTA domain dérivé de heteronu

-tlimensionnel n.m.r. sprctrosropie. IAl de la FEFRA

rs. 2%. 148 -152. Fesik. S. N'. & Zuidcrweg. E. R. I'. (1988). RMN tridimensionnel hétéronucléaire spectroscopie. Un st,rategT pour la simplification du n.m.r. homonucléaire bidimensionnel. spectres. J. Magm & fils. 78, 588

69S. Fe.sik. S.W. & Zuiderwrg. F.R.P. (1990). Hétrronuc

n.m.r. tridimensionnel spectroscopie de macromolécules isotopiques). Litre. Ret,. étiqueté Biophys biologique. 23. 97-131. Criesingrr. (1.. Grensen, 0. W. & Ernst, RR (1989). Spectroscopie de Fourier à trois dimensions. Application à la RMN haute résolution J. Xagn. Reson. 84, 14-63. HabazeM. .I.. Ross. A.. Oschkinat. H. & Holak. TA (1992). SecondarT I%OE voies in 2D POESY spectres of protems estimate from homonuclear thrc+dimensional BOE-XOE Nuclear Magnetic spectroscopy. J. Nagn. Reson. 97, resonance

Université de l'Indiana. Havel. T. F. 8r B'iithrich. K. (1985). Une évaluation de l'utilisation c*omhinrd de la résonance magnétique nucléaire et de la géométrie des distances pour la détermination des protéines en solution. ./. Mol. Kiol. 182. c:onforrriations 2x1 294. Holak. 'JE'. UNE., (

ondol. I)., Otlewski. ,J. & Wilusz. T. (19X9a). Détermination de la structure tridimensionnelle complète de l'inhibiteur de trypsine à partir de graines de courge en solution aqueuse par résonance magnétique nucléaire, ic et une combinaison de géométrie de distance et de recuit simulé dynamique. J. Mo,1. Hiol. 210. 635

-64X. Holak. T. A. est monté. W., Huber, R., Otlewski. ,JE. & Wilusz, T. (19896). La solution de résonance magnétique nucléaire et les structures aux rayons X de l'inhibiteur de trypsine de courge présentent la même conformation de la liaison à la protéinase h,],.

%d4. Holak. 'JE'. A.. Hahazettl. *J.. Oschkinat, H. & Otlewski. ,JE. (1991). Structures de protéines en solution dérivées de la résonance magnétique tridimensionnelle homonucléaire XOE-I$OE, rosc*opy. St,ructurr à haute résolution nucléaire de l'inhibiteur de trypsine de courge.

.Je Alwrr. (‘hetn. Sot. 113. 3196-3198. Kay.

JE,. IC.. (‘lorr. G. &I.. l%ax. A. $ Gronenhorn, A. 31. Triple hétéronucléaire de dimension Fcjur(IH!)O). résonance n.m.r. spectroscopie d'IntrrleukillI fl en solution. Scir?/

r. 249. 11 l--414. Kessler. H.. Sri

,. S. & Saulit, est. ,J. (1991). IMermination des taux de relaxation croisée par NOE 3D

A. Kraun, W. & Wiithrich, K. (1988). 1) détermination de la structure tridimensionnelle complète de l'inhibiteur de l'a-amylase tendamistat en solution aqueuse par aimant nucléaire, résonance ic et tlistan

omrtry. .J. .Ilol. Biol. 204. 657 -67".

Marion. D.. Kay, je,. E., Sparks. A. (1989). Protéines tridimensionnelles marquées au 15N. J.

S. W. Torchia. hétéronurléaire

1515-1517. Cales. M. Gronenborn, A. M. Briingrr. AT & ('lore. GM (1988). Détermination des structures tridimensionnelles de protéines par annelage simulé avec des contraintes de distance interproton. Applicati & to Crambin. inhibiteur de carboxypeptidase de pomme de terre et inhibiteur de protéinase serinr d'orge 2. f'rotrin E?bg. 2. "'i-38. Silgrs. M.. Habazettl. .J., Rriingrr. AT & Holak. TA (1991). Raffinement de matrice de relaxation de la structure de solution de l'inhibiteur de trypsine de courge. .J. Mol. Biol. 219 . 499S.510. Oschkinat. H.. Cieslar. C. & Crirsingrr. ('. (1990). Reconnaissance des éléments de structure secondaire dans les spectres tocsy-noesy 3D des protéines. Interprétation de 31) amplitudes des pics croisés. J. Magn. Reson. 86, 153S469. Prprrmans. H.. Tourwe. D., Van Rinst. G.. Hoelens, R.. Srheek. RM, Van Gunsteren. 1%". F. & Kaptein. R. (1988) L'utilisation combinée de la géométrie de la distance SMR et de la dynamique moléculaire restreinte pour l'étude conformationnelle d'un analogue de la somatostatine cvclic. Biopolymères. 27, 323

. Ross. A., Freund. J.. Cieslar. C'.. Oschkinat. H., Schlricher, M. & Holak. T.A. (1991). NOE homonucléaire tridimensionnel

Spectroscopie par résonance magnétique nucléaire NOE de protéines dans l'eau.

.J. Magn. Réson. 95. 567-573. Schrrl. ,I., Ziegelbauer. K., Kupke. "Je"... Humbel. B.M., Sorgel, A.A. Gerisch, G. 8r Schleicher. &JE. (1989). Hisactophiline. un acte riche en histidine, protéine de liaison discoideum. .J. Biol. C'hem. 264. d'lktyostelium 283% 2839. L-uister. (:. 1'.. I)r Waard. Je., Roelens. Il .. ‘liegenthart,. .JE. F. (:. & Kaptein, R. (1989). L'utilisation de 31) n.m.r. dans des études structurelles,urales d'oligosaccharides. .J. .4 rnrr. ('ourlet.

Aoc. 111, 77%774. Villiamson. hl. P.. Havrl, T.F. & Wiithrich. K. (1985). La conformation de la solution, l'inhibition de l'ion de la protéinase, ou IIa du plasma séminal de taureau par résonance magnétique H nuc.lcar et géométrie à distance -1. .Vo/. Hiol. 82.

Wiithrich. K.. Hilleter. M. & Braun. L2.. (1984). I'olypeptidc détermination de la structure secondaire par observation par résonance magnétique nucléaire de courtes distances proton-proton. ré. Xolol. Biol. 180, 71&7#). Zuiderweg. E. R. P. & Fesik. S.W. (1989). Thrt hétéronucléaire.


Voir la vidéo: TSspectres4 (Juillet 2021).