Astronomía

¿Cuáles son las diferencias entre el espectro unidimensional y el espectro bidimensional?

¿Cuáles son las diferencias entre el espectro unidimensional y el espectro bidimensional?

sobre todo, utilizamos el espectro unidimensional. Pero a veces usamos espectro bidimensional, ¿cuáles son las diferencias entre ellos?


Cuando coloca una rendija del espectrógrafo en una fuente, el espectro registrado puede considerarse como muchas imágenes de la rendija en diferentes longitudes de onda.

Normalmente, resumiría este espectro a lo largo de la dirección de las imágenes de la rendija para obtener un espectro unidimensional. Sin embargo, si deja la imagen tal como está registrada, entonces tiene un espectro bidimensional: la intensidad en función de la longitud de onda a lo largo de un eje y en función de la posición a lo largo de la rendija en el otro.

Los espectros bidimensionales se utilizan cuando esperamos que el espectro varíe con la posición a lo largo de la rendija. Los ejemplos pueden incluir un espectro registrado en una galaxia o un espectro de una estrella binaria con la rendija colocada en ambos componentes.

A continuación se muestra un ejemplo. La imagen insertada muestra una imagen de banda ancha de V458 Vul, una nova clásica rodeada por capas (no visibles) de material ionizado. Los autores de este estudio en particular alinearon una rendija del espectrógrafo como se muestra en el recuadro y luego obtuvieron los dos espectros bidimensionales que se muestran en la imagen principal. Lo que tienes que imaginar es que cada posición en la rendija produce un espectro horizontal en una posición vertical que corresponde a su posición en la rendija. Por lo tanto, vemos un espectro brillante en el medio correspondiente a la fuente central, pero luego hay "nudos" de emisión en longitudes de onda particulares que están a cierta distancia de la estrella central.

La espectroscopia bidimensional sin rendija también es posible utilizando espectrógrafos de campo integral. Las fibras registran espectros en un área bidimensional. Esto también puede denominarse espectroscopia bidimensional.


Análisis y comparación de algoritmos de extracción espectral en LAMOST ☆

En este artículo, se analizan y comparan seis algoritmos de extracción espectral en imágenes espectrales bidimensionales (2D) de LAMOST (Large Sky Area Multi-Object Fibre Spectroscopic Telescope). Los algoritmos comparados incluyen el método de apertura, el método de ajuste del perfil, el método de deconvolución directo, el método de deconvolución de Tikhonov, la extracción de deconvolución basada en el método de iteración de Landweber adaptativo y la extracción de deconvolución basada en el método de iteración de Richardson-Lucy. Los seis algoritmos se comparan en los aspectos de relación señal / ruido (SNR) y resolución, se puede encontrar que el método de deconvolución de Tikhonov, la extracción de deconvolución basada en el método de iteración de Landweber adaptativo y la extracción de deconvolución basada en el método de iteración de Richardson-Lucy son los algoritmos más fiables entre ellos. Finalmente, se propone el trabajo futuro.


El uso de gráficos difusos en la investigación de estructuras químicas

A. Redes de acoplamiento de espín independientes

Una estructura se puede deducir de un conjunto de subestructuras. Este último se deriva de multiespectrales. La elucidación de la estructura implica extraer el conjunto de subestructuras de multiespectrales y luego ensamblarlos. Consideremos la espectroscopía correlacionada bidimensional (COSY) como se muestra en la figura 2. Un pico cruzado indica que dos protones en los átomos tienen un acoplamiento de espín, lo que implica que están separados por dos o tres enlaces.

FIGURA 2 . El espectro COSY tiene dos dominios de frecuencia, F1 y F2. Ambos representan espectros de RMN 1 H unidimensionales. Los picos cruzados tienen coordenadas en la forma (F1,F2). La coordenada indica que los dos protones F1 y F2 están acoplados. Este acoplamiento puede ser un acoplamiento de dos o tres enlaces. Los picos diagonales no son informativos para las dos frecuencias si sus coordenadas son equivalentes. Los picos diagonales suelen estar abarrotados y no se pueden interpretar fácilmente.

(geminal o vecinal). Por consiguiente, dada una estructura, se pueden predecir estas relaciones de acoplamiento de espín de protones. Cada par de acoplamiento de espín corresponde a un pico cruzado COSY. Estas relaciones de acoplamiento de espines se pueden conectar para formar redes topológicas de acoplamiento de espines [o, alternativamente, redes de acoplamiento de espines independientes (ISNets)]. Una estructura molecular puede tener más de una ISNet porque su topología de acoplamiento de espín puede estar desconectada. Para el fragmento de péptido ∼ Lys → Val ∼, mostramos en la Fig. 3 los ISNets relevantes.

FIGURA 3 . Los residuos de Lys y Val se dividen en dos partes de un grupo carbonilo. El H α del Lys puede acoplarse con el H 0 del Val. En teoría, todos los bordes en Lys ISNet o Val ISNet se pueden observar como picos cruzados COSY. Estos bordes representan acoplamientos de unión a través.

Una ISNet puede definirse como

donde CS es un conjunto de cambios químicos y SC es un conjunto de acoplamientos de espín (bordes). Aquí csI indica el i-ésimo desplazamiento químico en CS.

Antes de que se inventaran los experimentos de RMN bidimensionales, generalmente se asignaba un conjunto de puntos de datos discretos (desplazamientos químicos) a una estructura molecular con poco o ningún conocimiento de las correlaciones entre los puntos de datos. No había una forma directa de observar estas correlaciones. Ahora, los experimentos de RMN multidimensionales han abierto oportunidades para el análisis de las correlaciones entre los átomos en una estructura. La relación de subespectra-subestructura ya no es la relación de los puntos de datos discretos y la subestructura. En cambio, es la relación del gráfico (puntos de datos más sus correlaciones) y la subestructura. Por tanto, los experimentos de RMN multidimensional (nD-RMN) ofrecen muchas ventajas para resolver problemas de superposición de datos espectrales.

El concepto de ISNet es diferente de la descripción convencional de un sistema de giro. Así como un sistema AX implica que el átomo A se acopla con el átomo X, un sistema ABX implica que el átomo B se acopla con el átomo A y el átomo X. Los ISNets enfatizan la red de acoplamiento global. Sin embargo, un sistema de giro convencional suele ser solo un fragmento de una ISNet. Xu y Borer han analizado ISNets más complicados. 3 Los picos cruzados en un espectro tridimensional (o hiperplano tridimensional de un espectro de dimensiones superiores) están representados por dos bordes que comparten un nodo común, picos cruzados de cuatro dimensiones por tres bordes con dos nodos comunes, etc. Cabe señalar que dicho gráfico no refleja la dimensionalidad de las señales nD-NMR. El formalismo desarrollado para la RMN bidimensional se puede ampliar de forma bastante sencilla sin necesidad de reinventar el formalismo bidimensional. Los bordes también pueden tener un "color", por ejemplo, un rango de valores constantes de acoplamiento. Por tanto, aumenta la certeza de mapear ISNets observados en la familia de ISNets ideales permitidos. 3

La Figura 4 resume algunos experimentos de RMN bidimensionales y sus interpretaciones a partir de los cuales se pueden extraer ISNet homonucleares e ISNet heteronucleares. Duddeck y Dietrich han discutido los detalles de estos espectros. 9

FIGURA 4 . Correlaciones de acoplamiento de espín observadas en algunos experimentos de RMN bidimensionales. Hay tres formas de clasificarlos: (1) correlaciones de corta distancia (como, COSY, H, C-COSY, 2D INADECUADO) o correlaciones de larga distancia (como COZY retransmitido, TOCSY, HMBC) (2) correlaciones homonucleares (como como H, H-COSY, H retransmitido, H-COSY, TOCSY) o correlaciones heteronucleares (como HMQC, HMBC) y (3) correlaciones de enlace directo (como todos los tipos de COSY, TOCST, HMBC, 2D INADECUADO) o correlaciones a través del espacio (como, NOESY, ROESY). 2D INADEQUATE es un experimento ideal para determinar la columna vertebral de carbono de un compuesto desconocido. Sin embargo, su señal es demasiado débil para ser útil, al igual que los relés C o H 1 H, 13 C-COSY. La correlación de larga distancia es ambigua, pero proporciona una buena evidencia adicional para agregar un nuevo giro a un sistema de acoplamiento de giro.

En la práctica, ningún experimento puede dar un conjunto completo de picos para un compuesto dado. Sin embargo, la combinación de estos espectros proporcionará ISNets suficientemente completos para que puedan mapearse en toda la estructura. Este procedimiento necesita varios algoritmos teóricos de gráficos. 5

Como se muestra en la Fig. 3, diferentes subestructuras pueden tener diferentes patrones de ISNet. En el caso ideal, la asignación se puede realizar mediante el reconocimiento de patrones gráficos. La misma subestructura puede generar un patrón ISNet relativamente diferente para diferentes cambios ambientales químicos. La ISNet es un gráfico difuso. El reconocimiento de patrones de gráficos difusos implica mapear un gráfico ISNet en su centro de grupo. 5


Espectroscopia de RMN bidimensional

Bueno, solo eche un vistazo a este espectro de RMN 1D de una proteína:

Anatomía de un experimento 2D:

  • Haz algo con el nulcei (preparación),
  • déjalos precesar libremente (evolución),
  • hacer otra cosa (mezclar),
  • y detectar el resultado (detección, por supuesto).

Después de la preparación, los giros pueden precesar libremente durante un tiempo determinado t1. Durante este tiempo, la magnetización se etiqueta con el desplazamiento químico del primer núcleo. Durante el tiempo de mezcla, la magnetización se transfiere del primer núcleo al segundo. Las secuencias de mezcla utilizan dos mecanismos para la transferencia de magnetización: acoplamiento escalar o interacción dipolar (NOE). Los datos se adquieren al final del experimento (detección, a menudo llamada tiempo de evolución directa) durante este tiempo la magnetización se etiqueta con el desplazamiento químico del segundo núcleo.

FT bidimensional produce el espectro 2D con dos ejes de frecuencia. Si el espectro es homonuclear (las señales del mismo isótopo (generalmente 1 H) se detectan durante los dos períodos de evolución) tiene una topología característica:

Las señales cruzadas se originan en núcleos que intercambiaron magnetización durante el tiempo de mezcla (frecuencias del primer y segundo núcleo en cada dimensión, respectivamente). Indican una interacción de estos dos núcleos. Por lo tanto, las señales cruzadas contienen la información realmente importante de los espectros de RMN 2D.

Experimentos 2D homonucleares:

ACOGEDOR 2D:

TOCSY 2D:

Por tanto, se obtiene un patrón característico de señales para cada aminoácido a partir del cual se puede identificar el aminoácido. Sin embargo, algunos aminoácidos tienen sistemas de espín idénticos y, por lo tanto, patrones de señal idénticos. Son: cisteína, ácido aspártico, fenilalanina, histidina, asparagina, triptófano y tirosina («sistemas AMX») por una parte y ácido glutámico, glutamina y metionina («sistemas AM (PT) X») por otra.

NOESY 2D:

Aquí hay una imagen de un espectro NOESY 2D (38 k)
Aquí hay un esquema que muestra las diversas regiones espectrales en 2D NOESY (8 k).

Espectroscopia de RMN heteronuclear:

El experimento HSQC:

El espectro contiene las señales de los protones H N en la estructura de la proteína. Dado que solo hay una cadena principal H N por aminoácido, cada señal de HSQC representa un solo aminoácido. El HSQC también contiene señales del NH2 grupos de las cadenas laterales de Asn y Gln y de los protones aromáticos H N de Trp e His. Un HSQC no tiene diagonal como un espectro homonuclear, porque se observan diferentes núcleos durante t1 y T2. Se puede realizar un experimento análogo (13 C-HSQC) para 13 C y 1 H.

[Espectroscopia de RMN 1D] [Índice] [Proyectos PPS2] [Espectroscopia RMN 3D] Proyecto PPS2 de Horst Joachim Schirra
Determinación de la estructura de la proteína con espectroscopia de RMN
última actualización 281196


Contenido

Los modales dimensionales están destinados a reflejar lo que constituye la sintomatología del trastorno de la personalidad de acuerdo con un espectro, más que de una manera dicotómica. Como resultado de esto, se han utilizado de tres formas clave, en primer lugar para tratar de generar diagnósticos clínicos más precisos, en segundo lugar para desarrollar tratamientos más eficaces y en tercer lugar para determinar la etiología subyacente de los trastornos. [4]

Diagnóstico clínico Editar

La "lista de verificación" de los síntomas que se utiliza actualmente es a menudo criticada por la falta de apoyo empírico [5] y su incapacidad para reconocer los problemas relacionados con la personalidad que no encajan con los constructos actuales del trastorno de la personalidad o los criterios del DSM. [6] También se ha criticado por conducir a diagnósticos que no son estables en el tiempo, tienen un acuerdo deficiente entre los evaluadores y una alta comorbilidad [7], lo que sugiere que no reflejan trastornos distintos. [8] Por el contrario, se ha demostrado que el enfoque dimensional predice y refleja los criterios de diagnóstico actuales, pero también se suma a ellos. [9] Se ha argumentado que es especialmente útil para explicar la comorbilidad, que a menudo es alta para los pacientes diagnosticados con un trastorno de la personalidad. [7] A raíz de estas afirmaciones, la quinta edición del Manual diagnóstico y estadístico de los trastornos mentales (DSM-5) incorpora un enfoque combinado categórico-dimensional para diagnosticar los trastornos de la personalidad [5] según el grado en que una persona muestra niveles elevados de características particulares de personalidad. Sin embargo, uno de los problemas en el uso de un enfoque dimensional para el diagnóstico ha sido determinar los puntos de corte apropiados para saber quién pertenece a la categoría de personas que requieren tratamiento; en parte, esta es la razón por la que se incluyen los diagnósticos categóricos y dimensionales. [10]

Dado que el modelo categórico se usa ampliamente en la práctica clínica y cuenta con un importante cuerpo de investigación que lo respalda, su uso común es convincente para los laicos cuando juzgan la credibilidad de la opinión profesional. Por lo tanto, el enfoque dimensional es a menudo más criticado por ser difícil de interpretar y menos accesible. Sin embargo, se utiliza ampliamente en algunos entornos profesionales como enfoque establecido, por ejemplo, por psicólogos forenses. [11]

Eficacia del tratamiento Editar

Otro uso sugerido del enfoque dimensional es que puede ayudar a los médicos a desarrollar planes de tratamiento y evaluar otros mecanismos que contribuyen a la dificultad del paciente para funcionar dentro de los dominios social, personal u ocupacional. El enfoque puede mejorar el tratamiento de dos maneras. En primer lugar, puede permitir el desarrollo de planes de atención más personalizados para las personas en función de sus características adaptativas y desadaptativas. En segundo lugar, significa que se puede considerar la sintomatología relevante que no se considera desadaptativa al desarrollar y evaluar el tratamiento médico y terapéutico general. [4]

Determinación de la causa Editar

Los intentos de presentar una descripción etiológica de los trastornos de la personalidad se han evitado debido a la influencia del DSM y sus principios en la investigación psiquiátrica (Ver sección de historia). Sin embargo, algunas técnicas buscan posibles causas interrelacionadas entre los síntomas de los trastornos de la personalidad y las influencias más amplias, incluidos los aspectos de la personalidad normal (consulte la sección de enfoques integrados).

Desarrollo inicial de un modelo categórico Editar

La adopción de un enfoque categórico de los trastornos de la personalidad puede entenderse en parte debido a los principios éticos dentro de la psiquiatría. El "principio de no hacer daño" llevó a suposiciones kraepelinianas sobre la enfermedad mental y un énfasis en los sistemas taxonómicos empíricamente fundamentados que no estaban sesgados por teorías infundadas sobre la etiología. [12] Se desarrolló una lista de verificación taxonómica basada en observaciones empíricas en lugar de supuestos teóricos propensos a sesgos. Era tanto categórico como jerárquico, y el diagnóstico de un trastorno dependía de la presencia de un número umbral de categorías (generalmente cinco) de un número total (siete a nueve) [12] Los trastornos se organizaron en tres grupos, existiendo puramente para hacer que los trastornos sean más fáciles de recordar asociándolos con otros que tienen síntomas similares, sin basarse en ninguna teoría sobre su relación. [10]

Problemas emergentes con el modelo categórico Editar

El modelo dimensional se desarrolló en respuesta a las limitaciones de este modelo categórico estándar. [9] Las expectativas de un enfoque kraepeliniano eran que a medida que se investigara sistemáticamente la salud psiquiátrica se perfeccionaran las categorías de diagnóstico y se desarrollaran tratamientos fiables específicos. [13] Sin embargo, este enfoque reduccionista de la categorización diagnóstica ha dado lugar a trastornos con alta comorbilidad, inestabilidad del curso de vida, mala eficacia del tratamiento y escaso acuerdo diagnóstico. [1] Además, los hallazgos de la investigación psicopatológica han llevado a un creciente cuerpo de evidencia que sugiere superposiciones entre la personalidad normal y desadaptativa y la interrelación entre los trastornos. [7] Estos hallazgos han sido respaldados por estudios genéticos [14] y de desarrollo [15] que han apuntado constantemente hacia una mayor interrelación de la que pueden ofrecer las categorías de diagnóstico. Estos constantes hallazgos de disconformidad, junto con el cambio exitoso a un enfoque continuo en lugar de categórico en otras áreas de investigación, como la relacionada con los TEA, llevaron a considerar enfoques alternativos. [dieciséis]

Desarrollo de técnicas metodológicas Editar

Análisis factorial Editar

El desarrollo del análisis factorial como una técnica estadística popular en psicología diferencial ha llevado a un aumento en los intentos de encontrar rasgos subyacentes. Más recientemente, esto se ha utilizado en el contexto de los trastornos de la personalidad como un medio para observar con qué rasgos de personalidad están relacionados los diagnósticos categóricos actuales y también como un método para buscar nuevas variables psicopatológicas latentes. El análisis factorial ha ayudado a ilustrar que la gama completa de patologías de personalidad relevantes no está incluida en la nosología psiquiátrica del DSM. Sin embargo, la técnica no muestra información sobre un continuo desde la personalidad normal a la clínicamente relevante. [9]

Análisis dimensional Editar

Las técnicas de clasificación dimensional muestran perfiles multidimensionales individuales y, por lo tanto, pueden mostrar información sobre un continuo de personalidad (de normal a atípico), una de esas técnicas es el modelado híbrido. [17] Se pueden introducir puntos de corte en estos modales para mostrar dónde puede estar un diagnóstico. Sin embargo, la cantidad de escalas de calificación diferentes que deben examinarse y la falta de investigación interdisciplinaria entre estadísticos y psicólogos ha significado que los intentos de encontrar un criterio "mundial" para el diagnóstico dimensional utilizando este método han tenido un éxito limitado. [17]

Análisis comparativo Editar

Se han realizado análisis para probar el ajuste relativo de modales categóricos y dimensionales para evaluar si las categorías de diagnóstico individuales son adecuadas para cualquier estado. Estos tipos de análisis pueden incluir una variedad de datos, incluidos endofenotipos u otros marcadores genéticos o biológicos que aumentan su utilidad. El análisis genético multivariado ayuda a establecer qué tan bien encaja la estructura actual fenotípicamente desarrollada del diagnóstico de trastorno de la personalidad con la estructura genética subyacente a los trastornos de la personalidad. Los resultados de estos tipos de análisis apoyan enfoques dimensionales sobre categóricos. [10]

Análisis de red Editar

El análisis de redes se ha utilizado como un medio para integrar información sobre la personalidad con los trastornos de la personalidad y así como información sobre otras influencias genéticas, biológicas y ambientales en un solo sistema y buscar causalidades interrelacionadas entre ellos (ver modales integrados).

Modelos categóricos adaptados Editar

Hay diferentes formas de "dimensionalizar" los trastornos de la personalidad, que se pueden resumir en dos categorías.

  1. El primero implica cuantificar la patología del DSM-5. Esto se puede hacer basándose en el grado en que los síntomas están presentes o en qué tan cerca de una presentación prototípica puede estar la presentación de un paciente. El enfoque del prototipo incluye características que no están presentes en el DSM. [18]
  2. El segundo enfoque implica la identificación de los rasgos del trastorno del DSM mediante un análisis factorial para mostrar las dimensiones subyacentes de los criterios del trastorno de la personalidad; este método también puede incluir psicopatología relevante. [17]

Modelos de personalidad normales Editar

Modelo de cinco factores Editar

El modelo de personalidad de cinco factores, que es el modelo dimensional más dominante, [19] se ha utilizado para conceptualizar los trastornos de la personalidad y ha recibido diversos apoyos empíricos. Bajo este enfoque, los niveles extremos de los rasgos básicos de la personalidad identificados por la FFM son los que contribuyen a la naturaleza desadaptativa de los trastornos de la personalidad. [20] Se han identificado más de 50 estudios publicados que respaldan este modelo, lo que proporciona mucho apoyo empírico para este enfoque. La mayoría de estos estudios examinan la relación entre las puntuaciones en medidas separadas del rasgo de los Cinco Grandes y los síntomas del trastorno de la personalidad. [20]

El modelo de los cinco factores se extendió por primera vez a los trastornos de la personalidad a principios de la década de 1990, cuando se estableció que se podía crear un perfil satisfactorio de cada trastorno de la personalidad en el DSM-III-R a través de varios niveles de rasgos de los Cinco Grandes. [5] Thomas Widiger y sus colegas han demostrado que muchos de los elementos centrales de los trastornos de la personalidad pueden explicarse en términos de los cinco rasgos principales; por ejemplo, el trastorno límite de la personalidad se caracteriza por altos niveles de hostilidad, rasgos de ansiedad y depresión, y vulnerabilidad. , todas las cuales son facetas del neuroticismo. [5] Este enfoque también ayuda a diferenciar las características de los trastornos que se superponen bajo el modelo categórico actual, como los trastornos de personalidad por evitación y esquizoides. El enfoque basado en cinco factores explica gran parte de esa superposición, así como las formas en que son diferentes. [5] Por ejemplo, ambos se caracterizan principalmente por una introversión excesiva y desadaptativa, pero el trastorno de personalidad antisocial también incluye altos niveles de facetas del neuroticismo (como la autoconciencia, la ansiedad y la vulnerabilidad), mientras que el trastorno esquizotípico de la personalidad incluye la adición de baja asertividad. . El enfoque de cinco factores también resuelve anomalías previas en los análisis factoriales de los trastornos de la personalidad, lo que lo convierte en un modelo más explicativo que el enfoque categórico actual, que solo incluye tres factores (extraño-excéntrico, dramático-emocional y ansioso-temeroso). [5]

Se ha desarrollado una técnica de diagnóstico prototipo en la que se crearon prototipos basados ​​en cinco factores para cada trastorno, basándose en las calificaciones agregadas de los expertos en trastornos de la personalidad. Estos prototipos concuerdan bien con los criterios de diagnóstico del DSM. [20] Los prototipos de los cinco factores también reflejaron las altas tasas de comorbilidad de los trastornos de la personalidad. Esto se explica por la idea de que varios otros trastornos tienen dimensiones que se superponen con las del diagnóstico primario. [20]

Otra técnica basada en los cinco factores implica el diagnóstico de los trastornos de la personalidad basándose en las calificaciones del médico de varias facetas de los cinco factores (por ejemplo, la autoconciencia, que se incluye en el factor neuroticismo, búsqueda de excitación, que se incluye en el factor de extraversión). Esta técnica se basa parcialmente en el modelo prototipo, ya que el "puntaje" de cada faceta se basa en su calificación de cuán prototípico es de cada trastorno de personalidad, con facetas prototípicamente bajas (con un puntaje inferior a 2) con puntaje inverso. Con esta técnica, el diagnóstico se basa en la puntuación sumada de un individuo en todas las facetas relevantes. Se ha demostrado que esta técnica de puntuación sumada es tan sensible como la técnica del prototipo, y el método de cálculo más sencillo la convierte en una técnica de selección sugerida útil. [6]

La evaluación de cinco factores de los trastornos de la personalidad también se ha correlacionado con el Índice de semejanza de psicopatía del Inventario de personalidad NEO, así como con las dimensiones de personalidad individual del NEO-PI-R. [21] También resuelve varios problemas con respecto a la evaluación de la psicopatía PCL-R, ya que una reinterpretación basada en cinco factores de la estructura del factor PCL-R muestra que el factor "Narcisismo agresivo" aprovecha las facetas de baja amabilidad (con algunas contribución de las facetas del neuroticismo y la extraversión), y el factor “Estilo de vida socialmente desviado” representa facetas de baja conciencia y baja amabilidad. También se ha demostrado que las diferencias sexuales en los trastornos de la personalidad pueden predecirse razonablemente mediante las diferencias sexuales en los cinco rasgos principales. [22]

Crítica Editar

La dimensión de apertura a la experiencia del modelo de los cinco factores ha sido criticada por no relacionarse directamente con ninguna de las principales características de los trastornos de la personalidad de la misma manera que las otras cuatro dimensiones [ cita necesaria ]. Se ha sugerido que los trastornos esquizotípicos e histriónicos de la personalidad podrían caracterizarse parcialmente por altos niveles de apertura a la experiencia (en las formas de apertura a ideas y sentimientos, respectivamente) [ cita necesaria ], mientras que los trastornos de personalidad obsesivo-compulsivo, paranoico, esquizoide y evitativo pueden conceptualizarse mediante niveles extremadamente bajos de apertura [ cita necesaria ]. Sin embargo, hay poco o ningún apoyo empírico para esta hipótesis, particularmente con el trastorno esquizotípico de la personalidad. Además, la escala de Apertura del NEO-PI-R, que es una de las medidas más utilizadas de los rasgos de los Cinco Grandes, se basó en investigaciones y teorías que consideraban que la apertura (como la autorrealización y el crecimiento personal) era beneficiosa, por lo que La medición de la apertura extrema usando el NEO-PI-R, es en realidad un marcador de buena salud mental. [5]

Modelo de siete factores Editar

El enfoque de los cinco factores ha sido criticado por ser limitado en algunos aspectos en su conceptualización de los trastornos de la personalidad. Esta limitación se debe al hecho de que no incluye términos de rasgos evaluativos como "malo", "horrible" o "vicioso". Algunas investigaciones han sugerido que se deben agregar dos dimensiones evaluativas al modelo de cinco factores de los trastornos de la personalidad. El apoyo empírico para este enfoque proviene de análisis de factores que incluyen los cinco factores principales y términos evaluativos. Estos análisis muestran que los términos evaluativos contribuyen a dos factores adicionales, uno para cada valencia positiva y negativa. La adición de estos dos factores resuelve gran parte de la ambigüedad de la dimensión de apertura en el enfoque de cinco factores, ya que el factor de apertura cambia a un factor de convencionalidad y adjetivos como "extraño", "extraño" y "extraño" (que todos caracterizan el trastorno esquizotípico de la personalidad) caen en el factor de valencia negativo. Estos resultados indican que la inclusión de términos evaluativos y dimensiones de valencia puede ser valiosa para describir mejor los niveles extremos y desadaptativos de los rasgos de personalidad que comprenden los perfiles de los trastornos de la personalidad. [5]

Modelo de internalización / externalización Editar

También se ha sugerido un modelo de dos factores de psicopatología en general, en el que la mayoría de los trastornos se clasifican en dimensiones internalizantes y externalizantes, [23] [24] que abarcan los trastornos del estado de ánimo y de ansiedad, y los trastornos de la personalidad antisocial y por uso de sustancias, respectivamente. [24] Aunque este enfoque se desarrolló originalmente para comprender la psicopatología en general, a menudo se ha centrado en su aplicación a los trastornos de la personalidad, como el trastorno límite de la personalidad, para ayudar a comprender mejor los patrones de comorbilidad. [25]

Teoría de la impulsión de Szondi

El psiquiatra húngaro Léopold Szondi formuló en 1935 un modelo dimensional de personalidad que comprende cuatro dimensiones y ocho impulsos ("facetas" en la terminología del DSM V). Se basó en una teoría pulsional, en la que las cuatro dimensiones corresponden a las enfermedades mentales circulares hereditarias independientes establecidas por la genética psiquiátrica de la época: [26] la esquizoforma (que contiene las pulsiones paranoides y catatónicas), la maníaco-depresiva ( para la dimensión "contacto"), el paroxístico (incluidos los impulsos epilépticos e histéricos) y el trastorno del impulso sexual (incluidos los impulsos hermafroditas y sadomasoquistas). [27] Las dimensiones Sexo (S) y Contacto (C) se pueden agrupar además como representaciones de pulsiones en la frontera con el mundo exterior, mientras que las dimensiones Paroximal (P) y Esquizoformo (Sch) en la parte interior de la psique.

Modelos integrados Editar

Análisis de red Editar

El análisis de redes se desvía más fuertemente del enfoque categórico porque asume que los síntomas de un trastorno tienen una relación causal entre sí. Esta suposición teórica se hace porque actualmente ningún trastorno mental puede entenderse como existente independientemente de sus síntomas, como pueden serlo otras enfermedades médicas. Según el enfoque de la red, los síntomas no se consideran el producto de un conjunto de trastornos latentes, sino que se consideran elementos que interactúan mutuamente y se refuerzan recíprocamente dentro de una red más amplia. [28] Por lo tanto, no se necesita un diagnóstico para comprender por qué los síntomas se juntan. Los grupos de síntomas densamente conectados pueden definirse como trastornos, pero están inevitablemente entrelazados con síntomas relacionados y no pueden separarse por completo. Esto ayuda a explicar el creciente cuerpo de investigación que muestra comorbilidad, marcadores genéticos concurrentes y síntomas concurrentes en los trastornos de la personalidad. [29]

Consecuencias terapéuticas Editar

La consecuencia terapéutica de esto es que el tratamiento está dirigido a los síntomas en sí mismos y las relaciones causales entre ellos, no al diagnóstico general. Esto se debe a que dirigir el diagnóstico es tratar de tratar un resumen no especificado de una colección compleja de causas. Adoptar esta actitud encaja bien con los tratamientos terapéuticos en uso en este momento que tienen la base de evidencia más sólida. [29]

Construcción de redes Editar

El análisis de redes tiene sus raíces en las matemáticas y la física, pero se utiliza cada vez más en otras áreas. Esencialmente, es un método para analizar entidades que interactúan mutuamente representándolas como nodos que están conectados a través de relaciones llamadas aristas. Los bordes representan cualquier tipo de relación, como una correlación parcial. Los análisis complejos de redes de otros temas han analizado los puntos de inflexión, donde un sistema cambia repentinamente a otro, como cuando un bosque tropical se adentra en una sabana. Si estos pudieran identificarse en las redes dinámicas psicopatológicas del individuo, entonces podrían usarse para determinar cuándo la red de una persona está al borde del colapso y qué se puede hacer para alterarla. [29]

Críticas Editar

Existe la preocupación de que el modo de red no tenga suficiente parsimonia y sea demasiado difícil de interpretar. [30]

El Grupo de Trabajo de Personalidad y Trastornos de la Personalidad propuso una combinación de modelo categórico-dimensional de evaluación de los trastornos de la personalidad que se adoptará en el DSM-5. El modelo del Grupo de Trabajo incluye 5 dominios de orden superior (afectividad negativa, desapego, antagonismo, desinhibición y psicoticismo) y 25 facetas de orden inferior o constelaciones de comportamientos de rasgos que constituyen los dominios más amplios. Los dominios de la personalidad también se pueden ampliar para describir la personalidad de los pacientes sin trastorno de personalidad. El diagnóstico de los trastornos de la personalidad se basará en los niveles de disfunción de la personalidad y la evaluación de los niveles patológicos de uno o más de los dominios de la personalidad, [31] lo que dará como resultado la clasificación en uno de los seis "tipos" de trastornos de la personalidad o Rasgo de trastorno de la personalidad especificado (según el niveles de rasgos presentes), en contraste con los diagnósticos categóricos tradicionales actuales de uno de los 10 trastornos de la personalidad (o trastorno de la personalidad no especificado de otra manera) basados ​​en la presencia o ausencia de síntomas. [32]

Crítica Editar

Existe la preocupación de que la adición de modelos dimensionales al DSM-5 pueda generar confusión. Carole Lieberman ha declarado que "como está ahora, la gente realmente no hace uso de las subcategorías que existen para describir la gravedad de los síntomas. En cambio, veo esto como una herramienta que las compañías de seguros podrían aprovechar para tratar de negar beneficios ". [33]


¿Cuáles son las diferencias entre el espectro unidimensional y el espectro bidimensional? - Astronomía

La transformada de Fourier se puede generalizar a dimensiones superiores. Por ejemplo, muchas señales son funciones del espacio 2D definido sobre un plano x-y. La transformada de Fourier bidimensional también tiene cuatro formas diferentes dependiendo de si la señal 2D es periódica y discreta.

    Espectro aperiódico, señal continua, continuo, aperiódico

donde y son frecuencias espaciales en y direcciones, respectivamente, y es el espectro 2D de.

donde y son los intervalos espaciales entre muestras de señales consecutivas en las direcciones y, respectivamente, y y son tasas de muestreo en las dos direcciones, y también son los períodos del espectro.

donde y son periodos de la señal en y direcciones, respectivamente, y y son los intervalos entre muestras consecutivas en el espectro.

donde y son el número de muestras en y direcciones en los dominios de frecuencia espacial y espacial, respectivamente, y es el espectro discreto 2D de. Ambos y pueden considerarse como elementos de dos por matrices y, respectivamente.

Considere la transformada de Fourier de una señal aperiódica continua (el resultado se generaliza fácilmente a otros casos):

La transformada inversa representa la función espacial como una combinación lineal de exponenciales complejos con pesos complejos.

    El peso complejo se puede representar en forma polar como

en términos de su amplitud y fase:

  • es el vector unitario a lo largo de la dirección,
  • es un vector a lo largo de la dirección en el dominio espacial 2D.

En la función de arriba, (2 ciclos por unidad de distancia en x) y (3 ciclos por unidad de distancia en y), mientras que en la función de abajo, (3 ciclos por unidad de distancia en x) y (2 ciclos por unidad de distancia en x) en y). Pero a lo largo de sus direcciones individuales (y respectivamente), sus frecuencias espaciales son las mismas.

Ahora el 2DFT de una señal se puede escribir como:

La función 2D que se muestra a continuación contiene tres componentes de frecuencia (ondas sinusoidales 2D) de diferentes frecuencias y direcciones:

y reescriba la transformación 2D como

Primero considere la expresión para. Como la suma es con respecto al índice de fila de, el índice de columna se puede tratar como un parámetro, y la expresión es la transformada de Fourier 1D del vector de columna n de, que se puede escribir en forma de vector de columna (vertical) para el enésima columna:

es decir, la enésima columna de es la 1D FT de la enésima columna de. Poniendo todas las columnas juntas, tenemos

donde es una matriz de transformada de Fourier.

Ahora reconsideramos la expresión 2DFT anterior

Como la suma es con respecto al índice de columna n de, el índice de fila se puede tratar como un parámetro, y la expresión es la transformada de Fourier 1D del vector de fila k, que se puede escribir en forma de vector de fila (horizontal) para la k-ésima fila:

es decir, la k-ésima fila de es la 1D FT de la k-ésima fila de. Poniendo todas las filas juntas, tenemos

De manera similar, la DFT 2D inversa se puede escribir como

Es obvio que la complejidad de 2D DFT es (asumiendo), que se puede reducir a si se utiliza FFT.

Considere una señal 2D real:

La parte imaginaria. El espectro de Fourier 2D de esta señal se puede encontrar mediante DFT 2D. La parte real del espectro es:


Relación entre espectros de potencia de ruido unidimensionales y bidimensionales de imágenes de resonancia magnética

Nuestro propósito en este estudio fue dilucidar la relación entre los espectros de potencia de ruido (NPS) unidimensionales (1D) y bidimensionales (2D) en la resonancia magnética (MRI). Medimos las NPS 1D utilizando el método de rendija y el método de frecuencia radial. En el método de la rendija, las rendijas numéricas de 1 píxel de ancho y L Los píxeles de longitud se colocaron en una imagen de ruido (128 × 128 píxeles) y se escanearon en el dominio de la imagen de RM. Obtuvimos el NPS 1D usando el método de la rendija (1D NPS_Slit) y el NPS 2D de la región de ruido escaneada por la rendija (2D NPS_Slit). También obtuvimos 1D NPS utilizando el método de frecuencia radial (1D NPS_Radial) promediando los valores de NPS en la circunferencia de un círculo centrado en el origen del 2D NPS original. Las propiedades de 1D NPS_Slits variaron con L y la dirección de exploración en PROPELLER MRI. Las formas 2D NPS_Slit coincidían con las del 2D NPS original, pero fueron comprimidas por L/ 128. Los perfiles de la línea central de 2D NPS_Slits y 1D NPS_Slits coincidían exactamente. Por lo tanto, 1D NPS_Slits reflejaba no solo los valores de NPS en el eje central del 2D NPS original, sino también los valores de NPS alrededor del eje central. Además, las precisiones de medición del 1D NPS_Slits fueron menores que las del 1D NPS_Radial. En consecuencia, es necesario seleccionar el enfoque aplicado para las mediciones 1D NPS de acuerdo con el método de adquisición de datos y el propósito de la evaluación del ruido.

Esta es una vista previa del contenido de la suscripción, acceso a través de su institución.


Red neuronal de convolución basada en un espectro bidimensional para la clasificación de imágenes hiperespectrales

Las características espectrales inherentes de los datos de la imagen hiperespectral (HSI) están determinadas y deben analizarse en profundidad. Se propone un modelo de red neuronal convolucional (CNN) de espectro bidimensional (espectro 2D) basado en las ventajas del aprendizaje profundo para extraer características y clasificar HSI. En primer lugar, los métodos tradicionales de procesamiento de datos que utilizan un bloque de píxeles de área pequeña o un vector espectral unidimensional como unidad de entrada generan muchos ruidos heterogéneos. Se propone el método de imagen de espectro 2D para resolver el problema y aprovechar al máximo el valor espectral y la información espacial. Además, se introduce un algoritmo de normalización por lotes (BN) para abordar los cambios de covariables internos causados ​​por cambios en la distribución de los datos de entrada y acelerar el entrenamiento de la red. Finalmente, se proponen modelos de pérdidas Softmax para inducir la competencia entre las salidas y mejorar el desempeño del modelo CNN. Los conjuntos de datos de experimentos de HSI incluyen Indian Pines, Salinas, Kennedy Space Center (KSC) y Botswana.Los resultados experimentales muestran que las precisiones generales del modelo CNN de espectro 2D pueden alcanzar el 98,26%, 97,28%, 96,22% y 93,64%. Estos resultados son más altos que las precisiones de otros métodos tradicionales descritos en este documento. El modelo propuesto puede lograr una alta precisión y eficiencia de clasificación de objetivos.

1. Introducción

Las imágenes hiperespectrales (HSI) suelen estar compuestas por cientos de canales de datos espectrales en la misma escena. Los HSI pueden proporcionar datos continuos en el espacio y el espectro mediante tecnología combinada de imágenes y espectro. Los datos hiperespectrales son importantes para monitorear la información de la superficie de la Tierra porque la información espectral proporcionada por el sensor hiperespectral aumenta la precisión de la resolución de los materiales objetivo y, por lo tanto, mejora la precisión de la clasificación [1].

Al principio, los estudiosos utilizan principalmente la extracción artificial de características de imagen para la clasificación de identificación de objetos de imágenes de teledetección utilizando un patrón binario local, un histograma de gradiente orientado [2] y un filtro de Gabor [3]. Sin embargo, este método es ineficaz para procesar datos hiperespectrales con el aumento de dimensión. Por lo tanto, la extracción de características y el clasificador se combinan, lo que produce un efecto de clasificación satisfactorio. Los métodos para la extracción de características incluyen análisis de componentes principales (PCA) [4], análisis de componentes independientes (ICA) [5] y análisis discriminante lineal (LDA) [6] y PCA robusto. El clasificador pasó por un proceso desde el algoritmo difuso de vecino más cercano K [7], Bayes ingenuo con ponderación profunda de características [8] y regresión logística [9] para soportar la máquina vectorial (SVM) [10]. SVM mejora el rendimiento de la clasificación al ampliar el núcleo de clasificación [11]. Sin embargo, estos métodos combinatorios demuestran las siguientes limitaciones significativas. (1) La extracción de características utiliza transformaciones lineales para extraer características potencialmente útiles de los datos de entrada. Los datos hiperespectrales son esencialmente no lineales considerando un mecanismo complejo de dispersión de luz [12]. (2) La mayoría de los métodos de clasificación tradicionales solo consideran el procesamiento de una sola capa, lo que reduce la capacidad de aprendizaje de características y no es adecuado para datos de alta dimensión.

Las redes neuronales (NN) con múltiples capas y nodos ocultos son más adecuadas que los clasificadores superficiales, como SVM, para construir un modelo de datos HSI [13]. Los NN, incluido el perceptrón multicapa [14] y la función de base radial [15], se han estudiado para clasificar los datos de teledetección. Los investigadores han propuesto un marco NN semisupervisado para la clasificación HSI a gran escala [16]. Se han desarrollado varios NN profundos (DNN) de acuerdo con la arquitectura del sistema y las funciones de activación. Estas redes incluyen la red de creencias profundas (DBN) [17], la máquina Boltzmann profunda [18] y el AutoEncoder (AE) [19]. En 2014, se utilizó un AE apilado (SAE) para la clasificación HSI [20]. A continuación, se propuso una EA mejorada basada en restricciones dispersas [21]. El DBN es otro modelo de DNN que se propuso en 2015 [22]. El modelo de profundidad puede extraer características robustas y es superior a otros métodos en términos de precisión de clasificación.

Convolution NN (CNN) [23] utiliza campos receptivos locales para extraer de manera eficiente información espacial y compartir pesos para reducir significativamente el número de parámetros. Las CNN se utilizan para extraer las características espectrales espaciales de imágenes hiperespectrales para su clasificación [24], y su rendimiento fue mejor que el de los clasificadores tradicionales como SVM. Además, en [25] se propuso un método que utiliza una muestra virtual mejorada para muestras etiquetadas limitadas. Un estudio anterior propuso el uso de una capa codiciosa de preentrenamiento sin supervisión para formar un modelo de CNN [26]. Sin embargo, la tecnología de aplicación de CNN en la clasificación hiperespectral sigue siendo imperfecta y se deben abordar varias deficiencias, como la fácil saturación del gradiente de entrenamiento, la baja precisión de clasificación y la mala generalización del modelo.

Los valores espectrales de los HSI en la tercera dimensión son aproximadamente continuos y las curvas de cada característica poseen una gráfica espectral única que es diferente de las de otras clases. En los métodos de clasificación tradicionales, los vectores espectrales unidimensionales se utilizan como la forma final de los datos de entrada [27, 28] o los píxeles vecinos se utilizan para formar pequeños bloques de píxeles regionales como datos de entrada [29, 30]. Aunque el primero simplifica la complejidad del entrenamiento de la red de aprendizaje profundo, omite la información de dimensión espacial de los valores espectrales al mismo tiempo. Este último combina varios píxeles en una muestra, lo que introduce ruidos heterogéneos y agrava el problema de la falta de datos hiperespectrales.

En comparación con los métodos tradicionales de CNN, este estudio diseña un modelo de CNN de espectro 2D de la siguiente manera: (i) Los píxeles hiperespectrales tienen una rica información espectral. Los métodos tradicionales de procesamiento de datos que utilizan un bloque de píxeles de área pequeña o un vector espectral unidimensional como unidad de entrada generan muchos ruidos heterogéneos. En este artículo, convertimos el vector de valor espectral a una imagen de espectro 2D, de modo que la optimización de todos los parámetros del modelo CNN (incluidos los parámetros BN) se basa en los valores espectrales de los puntos de píxeles y la información del espacio espectral. El objetivo de extraer completamente la información espacial espectral se puede lograr al mismo tiempo que se evitan los ruidos heterogéneos. Además, se logra por primera vez un algoritmo BN multinivel y el efecto de la aceleración de la red es obvio. (ii) Se introduce un algoritmo BN para reducir el problema del gradiente de desaparición y acelerar dinámicamente la velocidad de entrenamiento del DNN al reducir la escala y la inicialización de los parámetros dependientes. Se seleccionó un bloque de píxeles de área pequeña como unidad de entrada. Liu y col. [30] utilizó el algoritmo BN para la CNN para el HIS. Sin embargo, la introducción de ruidos heterogéneos y el desperdicio de muestras escasas debilitarán el papel del algoritmo BN en la regularización de la red y el entrenamiento acelerado. (iii) Se utilizan modelos de pérdida Softmax en lugar de combinar modelos de pérdida logística multinomial y regresión Softmax, por lo que la salida de la última capa compite entre sí para mejorar la precisión de clasificación. Los resultados experimentales muestran que el modelo de clasificación HSI propuesto basado en CNN exhibe alta precisión y eficiencia en el conjunto de datos HSI.

2. Modelo de clasificación basado en CNN

Los investigadores encontraron que el sistema visual humano puede resolver eficazmente el problema de clasificación, detección e identificación, con el rápido desarrollo de los sistemas nerviosos modernos. Este desarrollo motiva a los investigadores de sistemas visuales biológicos a establecer métodos avanzados de procesamiento de datos [31]. Las células en la corteza de un sistema visual humano solo son susceptibles a áreas pequeñas, y aceptar células en el campo puede explotar la correlación espacial local en la imagen.

La arquitectura de CNN utiliza dos métodos especiales, a saber, campo receptivo local y pesos compartidos. El valor de activación de cada neurona de convolución se calcula multiplicando la entrada local por el peso.

, que se comparte en todo el espacio de entrada (Figura 1). Las neuronas que pertenecen a la misma capa comparten el mismo peso. El uso de arquitecturas específicas, como campo receptivo local y pesos compartidos, reduce el número total de parámetros de entrenamiento y facilita el desarrollo de un modelo de entrenamiento eficiente.


Ajustar el fondo¶

Para restar la señal de fondo de la región de origen, queremos ajustar una cuadrática a los píxeles de fondo, luego restar esa cuadrática de toda la imagen, incluida la región de origen.

Primero, abordemos un problema más simple y ajustemos el fondo para una sola columna. A partir de la inspección visual del espectro 2D, hemos decidido aislar las filas 10-199 y 300-479 como las que contienen una señal de fondo pura:

Ahora hagamos esto para cada columna y almacenemos los resultados en una imagen de fondo:

Finalmente, restemos este fondo y veamos cómo se ven los resultados:

Desvío: operaciones vectoriales frente a bucles

Si está acostumbrado a C o Fortran, es posible que se pregunte por qué saltar a través de estos aros con rebanar y asegurarse de que todo esté vectorizado. La respuesta es que Python puro es un lenguaje dinámico interpretado y, por lo tanto, hacer bucles es lento. Intente lo siguiente:

Ahora compare con la solución NumPy vectorizada:

A veces, hacer las cosas de forma vectorizada no es posible o simplemente resulta demasiado confuso. Aquí hay un arte y la respuesta básica es que si se ejecuta lo suficientemente rápido, entonces está listo para comenzar. De lo contrario, las cosas deben vectorizarse o tal vez codificarse en C o Fortran.


¿Cuáles son las diferencias entre el espectro unidimensional y el espectro bidimensional? - Astronomía

rr e hisactofilina. una proteína de unión a actina de 118 aminoácidos) se han determinado basándose en los datos de NOE derivados únicamente de la espectroscopia de resonancia magnética homonuclear 3D NOE-NOE. Se probaron dos enfoques diferentes para extraer la información estructural del experimento 31) NOE-NOE. Un enfoque se basó en la transformación de las 31) intensidades en restricciones de distancia. En el segundo y más sólido enfoque. 31) Las intensidades NOE se utilizaron directamente en los cálculos de estructuras, sin la necesidad de transformarlas en restricciones de distancia. Se desarrolló una nueva función de potencial 2D que representa la intensidad de 311 NO & NOE y se utilizó en el protocolo de recocido simulado. Para CMTT-I, se llevó a cabo una comparación entre estructuras definidas con el método 3D NOE-NOE y de varios enfoques 21) NOE. El conjunto de datos 3D permitió una mejor definición de las estructuras de lo que era posible anteriormente con los procedimientos 2D XOE que usaban la aproximación aislada de dos espines para derivar información de distancia.

1. Introducción La espectroscopia multidimensional r1.m.r.t ha demostrado ser de gran valor para ampliar la metodología de determinación de la estructura de proteínas mediante t1.rn.r. La principal ventaja de multidimensional sobre 21) n.m.r. experimentos radica en su potencial para aliviar la superposición de resonancia. Varios homonucleares (Griesinger rt ccl. 1989 Vuister fd nl., 1989: Oschkinat et al. 1990) y het, eronuc4ear (Fesik B Zuiderweg, 1988 Marion et al., 1989: Zuiderwrg 8 Fesik. 1989 Kay et

2 .. 1990) 3D y 11) n.m.r. experimentos se han descrito recientemente. Para los propósitos de una designación de proteínas más grandes que aproximadamente 130 aminoácidos. t hr heteronurlrar i- Akthrrviationa usado n.m.r., nu

opy:% I). trio-dimensional: 41). thrfvtlitnf

nsional 1T). fi) ur-dimensional: ('JITT-T. (' cnc

mrr.ri, mrr t, inhibidor de rypsina, o I X 'OE. Efecto Xurlrar Overhausrt: IL'OESY. NOE bidimensional: spfx

troscwpy: FYI). f'rrr% de inducción de desintegración iónica: tJR. jurnprpt, urn: TO ('8 7. espectroscopia de correlación total HMQC. heteronuclrat multiplr quantum wrrlation 31) NOE- NOE, thrrr dimrnsional h'OF: - SOE: L) IS (: E: O, tlistjancr gromet, rj prcjgratn E .c'OSY. exclusivf

espectroscopía de correlación: SA. recocido simulatfd: r.m.s .. raíz mran cuadrado: r.tn.s.tl .. r.m.s. diferencia.

El experimento 3D parece ser más útil que el experimento homonuclear. El experimerit 'heteronuclear tiene una mayor sensibilidad ya que implica grandes constantes de acoplamiento heteronuclear en comparación con el ancho de línea del protón. También tiene un ion de resolución espectral más alto debido a las dispersiones de desplazamiento químico más grandes de los núcleos "N y 13" en comparación con los desplazamientos de t) hc "H. El número de picos cruzados en un heteronuclear 31) spe’c ’

trum es igual a t) hat del correspondiente espectro de IP homonuclear, mientras que picos cruzados adicionales complican un ron homonuclear 31) sprc%. Sin embargo. (ae las asignaciones se han hecho, los espectros homonucleares 31) NOE contienen más información relacionada con los criterios de distancia que los correspondientes 31) espectros hetrronucleares (Fairbrother et trl .. 1!) 92). Esta información es crítica para una determinación precisa del st ruc + urr. Rrc

nicamente el potencial de homonuclear 31) El experimento SOLNOE tiene I) een dt

tnonstrated por la diferenciación

iori de las vías de difusión de espín (Boelens rt crl .. 1989: Krrg rf r / l .. 1990: Kessler rt (

1 ... 1991). También. 31) Espectros NOE - NOE (Se puede utilizar para evaluar la cantidad de difusión de espín en espectros POESY 2D (Habnzettl et nl., I! Nl). En este artículo, describimos dos enfoques diferentes para la determinación de la estructura de proteínas basadas en la información derivada del experimento homonuclear 3D SOE-NOE.

El enfoque se basa en la transformación de las intensidades 3D en restricciones de distancia utilizando la aproximación lijk cc rij6r, i6, donde Zijk es la intensidad del pico 3D NOE-NOE y las rs son restricciones de distancia extraídas del pico 3D. En un informe preliminar sobre este enfoque, ya mostramos que se puede extraer una gran cantidad de restricciones de distancia del espectro 3D homonuclear para proporcionar suficientes datos de entrada para "las estructuras de alta resolución" (Holak et al., 1991). En el presente artículo se ofrece una descripción detallada de este enfoque. En el segundo enfoque, las intensidades 3D NOE se utilizan directamente en los cálculos de estructura. sin transformarse en limitaciones de distancia. Se desarrolla una nueva función de potencial 2D que representa t'hr 31) NO% de intensidad NOE y se utiliza en el protocolo de recocido simulado. Los dos métodos se prueban en dos proteínas: CMTI-I, un inhibidor de tripsina de Cucurbita maxima. e hisactofilina, una proteína de unión de 118 aminoácidos de Dictpsfeliwn discoideurn.

y métodos de espectros e inteption

Los espectros humonucleares 31) NOE-NOE se adquirieron a partir de una muestra 15 mM de CMTI-I a pH 4,3 en acetato de sodio 2 mM. 9O'jb H, O / 10qb 'H, O. CMTI-I se aisló del se & de 'C’ucurbita maxima y se purificó como se describió anteriormente (Holak et al. 1989a). Los espectros se registraron a 25 ”(: en un espectrómetro Bruker AMX-600. Los 31) experimentos se llevaron a cabo usando una secuencia de pulsos descrita por Boelens et al. (1989). Se adquirieron dos espectros 3D NOE-XOE para CMTI-I. En los primeros 31) NOEL-NOE (Experimento Ax. Se utilizaron 2 tiempos de mezcla idénticos de 140 ms cada uno. En el segundo, ambos tiempos de mezcla fueron 50 ms. Cada UIF consistió en 8 escaneos. El conjunto de datos, consistió en t, xt, xt, = 256 x 256 x 512 puntos sobre un ancho espectral de 7400 Hz en las 3 dimensiones, resultando en un t, ot, al t de medición, ime de 6 días.Sólo se procesaron subvolúmenes que contenían t) resonancias he? jH en F3. Se aplicaron transformaciones apropiadas de Lorent, z-a-gaussianas y un relleno de cero en el tiempo I en las 3 dimensiones. junto con una corrección de la línea de base por un polinomio de tercer orden en la dimensión F3. La hisactofilina se expresó en E. coli y se purificó esencialmente como describen Scheel et al. (1989). En comparación con la hisactofilina de I) irtyosfrlium discoideum, el polipéptido de E. coli contiene una inserción de 4 aminoácidos adicionales Glp-Glu-Pha - (: ly después de la metionina inicial, es decir, el número total de residuos es 122 (Scheel et al .. 1989). Como no había conectividades NOE triviales asignables a los aminoácidos de inserción, numeramos los residuos de acuerdo con la secuencia de aminoácidos t) hr de hisartofilina de nictyoatrii,

m discoidcxm. Los espectros 3D NOE - NOE para hisactofilina se adquirieron mediante una secuencia de pulsos JR como descbribrd b, v FLOSSuf (II .. 1991). Los tiempos de mezcla fueron 100 ms y el conjunto de datos consistió en I, x t, x t, = 240 x 256 x I K (K, kilobyte 1027 puntos) sobre un ancho espectral de 7400 Hz. Eac * h FTD consistió en 8 exploraciones que dieron como resultado un tiempo total de medición de 4 días. Otros parámetros espectrales y de procesamiento fueron similares t, ot, hosr usados ​​para t, hr ('espectro MTI-I, runl. Los espectros se adquirieron de una muestra I.7 mM de hisactofilina a pH A5 en 50 rn3r-KH, PO, .Tt, c. Puede apreciarse que ,, con 31 histidinas y 15

glicinas adicionales. la asignación de los espectros no lo era. una tarea fácil. El n.m.r. Los espectros de hisactofilina se asignaron con los n.m.r. 2D y 3D. métodos basados ​​en los siguientes espectros: 2D NOESY, 2D TOCSY. 3D NOESYHMQC, 3D TOCSY-HMQC. 3D NOE-NOE JR. Se asignaron las resonancias de prot) on y nitrógeno de la mayoría de los átomos de la cadena principal y de la cadena lateral. excepto aquellos en el extremo amino terminal de la proteína (3 aminoácidos de primera inserción y Metl) y en el bucle entre los residuos 26 a 30, cuyas asignaciones no pudieron confirmarse debido a la escasez de conectividades NOE con estos residuos. Las técnicas heteronucleares 3D demostraron ser muy útiles para la asignación de glicinas debido a sus cambios químicos únicos de 15N. Además, la superposición de los NH de protones en la región más poblada. entre 8,3 y 8,9 p.p.m., se eliminó en su mayor parte mediante la difusión de resonancias en la dimensión "N". La función de entrada 2D pot) para el 3D NOE

La intensidad de NOE se ha incorporado al programa X-PLOR (Briinger, 1988). El procesamiento de datos, la selección de picos y la simulación de los espectros se realizó con nuestro propio software. que está disponible a pedido. Las 31) int, ensidades de picos cruzados en el sprcatra se semicuantificaron midiendo el int, ensit). del punto más alto de un volumen alrededor del pico cruzado 3D. Esta intensidad es directamente proporcional al volumen del pico cruzado 31) siempre que el ancho de línea h de cada pico en las 3 dimensiones sea similar y mayor que los múltiplos de las señales. Este es el, ('asp en el RD SOE

(b) Th tory La intensidad de un 31) NO & SOE (aross-peak,), bet, ween spins i. j y k. es proporcional a fijk (Trnl. Tm2 thr producto de las eficiedades de transferencia de NOE individuales de cada tiempo de mezcla (Boelens rt 01 .. 1989: Grirsingtr et nl., 1989): Iijt (Tmt 'Tm2) = clrxP (-Rz, z) lijlexP (-RT ,,) Ijk-Akk ((l). (1) donde T ,, es el primero y T.

el segundo tiempo de mezcla. R representa la matriz de relajación cruzada. d ,, (O) la magnetización de equilibrio del espín k. y c es una constante. Tf% I = 7m2. y como R es simétrico. la intensidad de un pico de transferencia de bac.k viene dada por: I. (L) = c [‘= p (- & ,,)]

&. (W (2) que es proporcional at, el cuadrado de la intensidad del pico XD correspondiente Ii, con un título de mezcla T,. Expandiendo las exponenciales en la ecuación (1) y despreciando todas las trrms superiores al segundo orden en T.

. a cnross-p (Lak (i ​​#, j # k) es thrn dado por: 'tj / c (Tml, Tm2) =

Como la tasa de relajación cruzada. Rij. es proporcional a la inversa de la sexta potencia de la separación de distancia, rij, de las 2 prot, ons i y j, las restricciones de distancia se pueden derivar de 31) intensidades NOE-NOE mediante el escalado apropiado con distancias knnu-n utilizando al ) l) rosimatioll: lijk = Kr, g%, “, (4) donde rij y rjk son las distancias entre los protones i. j y j, k respectivamente. y h ’es la escala c> onst, ant For (i #, j = k). la expansión da como resultado:

que, después de la negligencia, ing 2nd o & r proporcional a Rij.

En el primer método de determinación de la estructura de 31)

? Datos U‘OE.sólo restricciones distantes tlrrivcvl de rqns (2). (4) árido (5) verp usado en c

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

NOE spwtrum ivith ambos tiempos de mezcla de iO 111s.thr resto de las restricciones de distancia de un espectro con, h ambos tiempos de mezcla de 110 ms. Thv litttw slw’trum rxhihitrd a bflttclr relación señal / ruido. Tres componentes de calibración (KS) de tipo srpratr c4ibration wcxre tlrtrrv minrd utilizando la cvnnwtivitiw que implicó una distancia interf) roton conocida: puedo constatar los picos cruzados con 2 de los 3 F ,. Las frecuencias F2 yb son iguales (la 2Y, ant1 AT1 cw

ss-p & s). I para los picos de transferencia trasera y 1 I para los picos (b "rtlal" 31) 9OE SOE cwss-picos con 3 frrqurncirs diferentes. Los picos cruzados S, atld ' T2 vtlw to t hr ditwt XL’obZs durante la primera titrlw fnisitlg srconcl ant1 srconcl. wsprctivcJly (yo

1 ... 1990). "I'ht, .V y" V2 peaks art ". en thr lincsar af) l, l, oxidación en t ,, y z, z. proporcional al tlistanvv. rL “. de rq

l (-5). Thc, rttforr thr valihration constante para el S, y .V2 praks (‘an él usfvi dirrc + ly a cA (

intrnsitirs uprrimetital en thr .VI anti s, líneas. Fol, c

. thts .Y2 c.onnwtivit>, 22 / jz "-" l-4222 en la Fig. I da la distancia cx) nstraint twt vwn (‘ K

* H y ('vs22HS (el Ilotat, ion L'g, z /! L, "" N c., R

ls a thv mss-pico (14 ', = (' vsP2 ('P2H) - (Fz = (' vs

'H) - (I = C’ysL’dHN) en thtk A? 1 líneas en el plano NH lm’idr de rrsitlur C1ys22). Como thr hsc

los picos son proporcionales a r I2 en la aproximación de segundo orden en T, (ec4n (2)). el ttistanc, r wnstrxint c’ibn tlso tw c

ulatrtl directamente de la 31) intensidad. Para el 91) sorprende con 3 frecuencias diferentes. el tlistanw cxjnstraint vorrrspontling a I de los 2 NOlC transfiere hts a Iw conocido para calcular el tlistancar cwnstl, aint irl -olvrd en thr ot1lc.r transfer (rqns (3) anti (4)). Thew rr + rrncv tlist, atic.r c.onstraints vere acyuiwtl t'rottl tlrt * tiistanw c .onstrainingl from thtl AV, and S, ('row lwaks and from thtl hac * ktransfer ptsaks M ith I c, alihration c * onstarlt. También se utilizaron los distancrs interproton derivados de conocidos grupos amino ávidos. Por ejemplo, el tlistanw ('"H (i) NH (i), vhic * h es generalmente igual a. I24 (I.% = I ( ) - 'nnr) para el amino witis no en el r-hrlic4 c

ioti (thr I) rotvins studirti hew) (1j'iithric.h el uso de tales caalihrations se discute en morr dthtail en tht I) iscussion (Holak rf

). En total. 541 tlistanw rvmstraints wrre obt, ained del 37) XOE SOE HJMYtrum. Una c

En la Tabla 2 se da un cuadro de "el número anti-tvI) t" de las restricciones. De las restricciones totales, todas las restricciones. 312 vt’rti derivtvi de 3-f’requtwy peaks

Irrtrarrsidur Largo (Ii-, jl L 5) Medio (Ii-, jl I $ -

donde k, es la fuerza constante, y A, y A, son los límites de error superior e inferior. respectivamente. La intensidad Z $ es

la intensidad medida 31) X0 y NOE dividida por la constante de calibración K determinada después de la ecuación (4) y como se describe en la sección (b) anterior. La diferencia entre la intensidad 3D h'OE-NOE calculada y observada es ahora una fuerza impulsora en las coordenadas de la proteína en el paso dinámico o de minimización de energía del cálculo de la estructura. ¿Tf la intensidad observada Z $ y el 31) NOI? La intensidad I $ calculada a partir del modelo de estructura es la misma dentro de los límites de error (A .. A,), el término de energía, q! ijk ', n, enSi, y es entonces cero y la fuerza de esta traza de radio en las coordenadas de la estructura del modelo también es cero. Tf la diferencia entre lo observado y c * al (* ulado

Figura 2. Gráfico logarítmico del potencial de intensidad 3D NOE-NOE para un pico li +, + k. rij y rjr son las distancias entre los protones i. j y j, k. respectivamente. La energía en el área "blanca" es cero y aumenta al aumentar la distancia desde esta área. Las líneas en la trama. proporcione los límites de distancia más bajos de la función de repeler (1,6 w).

intensidades no es cero con) en los límites de error dados. una fuerza actúa sobre las coordenadas en la dirección para hacer que el modelo estructural cumpla con la restricción. Se tomó la raíz 12 negativa de las intensidades para establecer esta energía en un tamaño comparable a las otras restricciones de distancia NOE. El potencial completo para 1 restricción de intensidad se muestra en la Fig. 2. Es una función 2D con las 2 variables. rij y rjk, en el eje .c y el eje y. respectivamente. Los contornos mostrados en la Fig. 2 corresponden a las alturas de energía. En el área central ".vacío" en el gráfico de contorno. la energía es cero y aumenta como una función cuadrada al aumentar la distancia desde esta área. La función de energía en la Fig. 2 corresponde a t, o una intensidad observada) - 1: de 8.72 x IV6 unidades. i ssuponiendo que las 2 distancias rij y rjk son iguales, esto correspondería a una distancia de 2.64 a para ambos pares de protones (2.64- ”= X.72 x 1W6). Los errores superior e inferior de intensidad, AU y A ,. respectivamente. se eligen de manera que se permita un error superior e inferior en la distancia de 0,3 A para ambos pares de protones al mismo tiempo. En el ejemplo anterior. corresponde a AU = 2,84 x 11) - ’y A, = 6,32 x lW6 unidades. Los límites de error de las distancias se restringieron t, o W3 A. ya que solo se usaron picos cruzados más intensos en los cálculos. Las intensidades utilizadas para los cálculos correspondieron a la restricción de distancia máxima de 3.3 4. asumiendo que las distancias involucradas en el 31) arco de pico son iguales. En la Fig. 3, los errores superior e inferior en las intensidades experimentales se grafican contra la intensidad obst> rred. La gráfica muestra que un límite superior de 0.3 .q de la distancia corresponde al error del límite inferior en la intensidad hasta el 75%. El (k3. & Differencar en el límite inferior de t, la distancia corresponde al error en t, hr límite superior de la intensidad de 450 ° h. Estas relaciones reflejan t, hr dependencia de la 31) XOE-KOE intensidad de la distancias a través de la ecuación Zijt cc rz “r, i6. En el c-asr de pseudoátomos, que representan grupos metilo o st, rreospec

mrthylenr específicamente no asignado

Figura 3. Límites de error superiores (líneas horizontales) A, y límites de error inferiores (líneas verticales) A, en el experimento rx, la intensidad al graficada contra la intensidad I $.

protones, el límite de error inferior de t, hr intensidad Ar aumenta de modo que el error de intensidad persigue rorrrspond t, o un error de distancia superior de 1.3 h. El ejemplo de la Fig. 2 muestra eso. si la distancia dij fuera 1.%. la distancia dj, podría ser muy grande (por ejemplo, 10 A) sin violar el rango de intensidad permitido. Pero con la función de repeler, ión presente. la distancia inferior está limitada a 1,6 A. Esto permite solo distancias por encima y en el lado derecho de las líneas en la Fig.2.

recocido protoml mnstrain, ts fmly

La estructura de CMTT-I. basado en las restricciones de distancia derivadas de los espectros 31) NO% SOE. se determinó usando el híbrido met, hod de DTSGEO y recocido dinámico simulado (Holak et al. 1989a). El protocolo básico utilizado para los cálculos se ha presentado previamente (Holak et al., 1989a.c). Los prot, ocol cottsists de 4 st, edades. En la etapa 1. las coordenadas de la subst, ruvtures se obtienen del programa de geometría de distancia DISGEO (Havel. 1986: Have1 6 li’iithrirh. 19X.5). En el 2º, agr. se suman todos los átomos que faltan en las subestructuras. El paso 3 consiste en un recocido dinámico simulado (Bilges et al. 198X). es decir, elevar la temperatura del sistema, seguido de un enfriamiento lento del sistema para superar los mínimos locales y localizar la región del mínimo global de la función objetivo. La cuarta etapa implica 200 c

ciclos de nitrimización de Powell constreñida. Estas 3 últimas etapas se llevaron a cabo con el programa X-I’LOR (Briinger. 1988). , 411 protones fueron explícitos, l> definidos en los cálculos dinámicos de recocido simulado. Los protones de mrtileno y los grupos metilo se asignaron arbitrariamente a H y H ,. o yo, y $ lr ,. para protones que resuenan en t1.m.r. campos. respectivamente. En el protocolo que usa substruc + urrs. las constantes de fuerza para las longitudes de enlace. ángulos de enlace y arte de planaridad> lo mismo que t) manguera utilizada en el refinamiento de las estructuras utilizando c-ontraints de distancia derivados de NOE (Holak et al. 1989a). El objetivo de pseudoenergía utilizado en los cálculos era un potencial de pozo cuadrado. Las 21) restricciones de distancia NOESY no se han utilizado en el

onstants bt'I'v iO IiC'ill lllol

1 .p - * para el tlistant.ts t, (mstraints y 30 kt, al mol '.r * para thr inttJnsit> t

tol) hilin con todo eso, disponible

también estuvimos t * arrird con el, Y-I'LOR

In-ograrn y se basaron en un protocolo similar al utilizado solo para las constantes de distancia. El psrutlor

La función diana nerviosa era la función 31) int, eniity en rqn (9). Como no hay restricciones de distancia, s. No fue J) ossihlr usar I) TS (: EO para crear estructuras de partida. ¿Los puntales de partida estaban allí, construidos, con X-I’T, C) R I)? aleatoriamente grilrratinp 4 y li / ángulos. En la c

ulat, comienza a partir de estructuras aleatorias. NY utilizó cuarenta vonstant, s más altos para las longitudes de los enlaces. ángulos de enlace. improl) ers atrtl [Aanarity. t) debido a que las fuerzas altas que se originan en at + t

) oralmente en thta I) rotriri. especialmente en el "comienzo experimental del plegado". La t

ulaciones comienzan) 4 con una minimización inicial de 60 stq) sy con un nivel de carga 2'dS ft, rtY? tY) nstant 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-

* y ángulos diedros (kdiédricos) para vnstant de 5 kt.al molrad '. Las constantes fortBe para mantener

tl Irngths (kbonda). los ángulos de enlace (kanglea) y los improl) ers (kimpr) se establecieron en 1000 kcal mol ml & *. 500 ktaal mol I ratI- 2 ant1 500 kt-al mu- ’ratI- * rrsyW.ively. Tn tht, siguiendo 337.50 t, imrstel) s (2 fs) de t alta, emperaturr dvnallliw. los forve c * onstants kbonds. lZangles e iimpr werf ’establecidos en 500 kt, al rtrol

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

tivamente. En el simulat, rd-alinraline stag ”de alta tr

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

rcasrd a -C kcal muda '-4-l. k, a 100 kt.aI mol- ’A- *. y kdihedra, a 200 kcal moi- 'rad'. . titbr caooling thr system. la etapa final involucró 200 t

c * onstrainrd Powell minimización con kbonds = IWO kval mom ’.A

2. kangles =, 500 kval mol ’rad - 2. y El t * alculatitm de un strutakimpr = 500 kcal rnol-’ ratI- ‘. Turta de (‘MTT-1 con Xti intensidad t * onstraints tomó aproximadamente I h caentral In-ocessor unit time on it (‘ ONVEX (‘220 t * oml) utjer. Las restricciones de intensidad eran oi) tainetl ya sea del 31) NOE

NOE q) ectrum con ambos tiempos de mezcla de .5Oms (40 a .50 °, en número) 01 ’front a sy) rt * trum v con ambos tiempos de mezcla de 110 ms. El numl) c

r de intensidad de lastranstraciones utilizadas en esta arcción fue menor que el rxtracto, ed de t, hti 110 ms syvtrum solamente (SW srtation (P)) porque las intensidades más débiles no fueron

Las estructuras de ('MTT-I y hisact, ophilin también fueron determint

tl de las restricciones dist, ancr e intensit, y] -) resrnt en los cálculos. Para ("MTT-1. Los NOES 3D en t, hr LV y 3, l’lanrs se introdujeron como restricciones de distancia. Se utilizó el mismo protocolo que en los cálculos con 31) restricciones de intensidad de tsons. con la excepción de que la constante fuerte, r de las restricciones de distancia fue IO0 kval mol- ’& *. Para hisactofilina. Hubo 1287 restricciones de distancia derivadas del 31) EQUIPO SO & I% OE. durante nuestro n.m.r. anterior estudio sobre hisactofilina. Fuera, de este número. 1150 connr & ivit, irs también deberían identificarse en el 21)

contiene un ilrsrrtioli de'4 arniiio xt adicional, es después de t Iit> irlitial nit & i hionilrc

salgo de thv amino ataitl st'tji

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

Tres conjuntos de estructuras fueron

alt * ulatc: cl para (MTI-I. En el primer conjunto, las asignaciones estereoespecíficas * de los tsentres proquirales se obtienen4 en el estudio anterior (Holak rt al .. 1989

) y del espectro E.COSY se retuvieron en el c

alculaciones. En estos cálculos se utilizaron catorce restricciones de ángulo x1, s con límites t, hr + 30 ”. El segundo stlt se obtuvo usando el método de quiralidad flotante en la distancia del ciervo de recocido simulado (* onstrain &, fue 0 + 49 para t) estas 229 distancias caonst raint, s. De nuevo. de 336

Estructura ('ombinedt:% I) -Intensitv $ Hisactphilin t (' calculada con una combinación de restricciones de intensidad y restricciones de distancia. 2.L9 restricciones de distancia se derivaron de picos cruzados con las frecuencias de 2 E 'rqual. $ (' Calculado con restricciones de intensidad derivado de 31) NOI% NOI? SJWtrUtn solamente.

Cuadro 4 = ftowLic r.m.s. diferencias

entre estructuras de CMTI-I y 3D n.m.r. datos Hravy

3 I) distanciat NY-sus 3D distancia 31) intensidadf

crsus 31) intensidad ("combinado§ versus distancia 3D combinada WGSUS2Dll (" UCTSUS 2D 21 combinado) twst

s rrfinedf 3D distancia WTSUSrefined 31) intensidad ZWSU, Srefined (‘om bined

rsus refinado 21) I’cIs1L8 X-ray 31) distancia I’prs? LsS-ray 31) intensidad IW

.E X-rag (‘‘ ‘’ combinado versus Y-ray Refined WTSUSX-ray 31) int, ensit, y W

SUScombined 3 1) distancia PPISW c * ombined Ail r.m.s.d.s determinado para los residuos 3 a 29. t Strncturrs calculados con restricciones de distancia derivadas de 31) NOE-NOE sprcstrum. : ("Alc *" con restricciones de intensidad derivadas de 31) NOE-

Espectro NOE solamente. $ (‘Alterado con restricciones de intensidad y restricciones de distancia de picos con, h 2 freyurn

d de 31) Espectro NOE-SOE. Ij (calculado con restricciones de distancia de un espectro de RUIDO 2D (H & k rt nl .. IWOn) c Rrtined con t, el enfoque de matriz de relajación de volante (Silgps de ctl .. lO! #L).

restricciones de intensidad. las diez estructuras no tuvieron violaciones de intensidad que correspondieran a una violación de distancia mayor de 0.5 A para las t, wo distancias definidas por la intensidad 31) NOE-NOE. La reproducción de los puentes de disulfuro fue similar a los cálculos con restricción de intensidad, s solamente. Las desviaciones de la geometría de enlace covalente idealizada también fueron casi el sa, yo. El valor eficaz promedio la diferencia entre las estructuras en sí fue 0,52 A f @ I 4 a para los átomos de la columna vertebral y 1,22 A & -019 A para todos los átomos pesados. (d) Strwturr

hisactofilina de una combinación y restricciones de intensidad

Se calcularon diez estructuras para hisactofilina. como se describe en la sección (g) anterior. La chira flotante

Se utilizó el método de la ciudad para obtener asignaciones estereoespecíficas en los centros proquirales de manera idéntica a la del CMTI-I. X11 diez estructuras satisficieron el experimento sin restricciones de distancia. Hay violaciones de restricciones mentales superiores a 05 A. El valor cuadrático medio. diferencias de las restricciones experimentales, que se calcularon con respecto a los límites superior e inferior de las restricciones de distancia, fue de 0,12 8. Las estructuras, que se muestran en las Figuras 7 y 8, también exhibieron desviaciones muy pequeñas de la geometría covalente idealizada (enlaces, ángulos y impropios, desviaciones estándar), y tenían muy buenos contactos no enlazados con energías negativas de Lennard-Jones-van der Waals. El promedio de los r.m.s. Las diferencias entre las estructuras 3D NOE-XOE fueron 2,48 A iO36 A para t, átomos de la columna vertebral y 3,57 [email & # 160protected] A para todos los átomos pesados. El corre-

Figura 7. Vista estereoscópica de los átomos de la columna vertebral (N.CCL C) de las 10 estructuras de hisactofilina que mejor se ajustan a todos los aminoácidos con la expresión de los residuos 25 a 33, 47 a 49, 55 a 60, 65 a 74 y I1 7 a 118. En los cálculos se utilizó el polipéptido de aminoácidos, ide de hisartofilina de Dictyostelium diacoideum (véase Material y métodos, sección (a)).

Figura 8. Vista estereoscópica de thr

(* Il-d & iwd partes de la estructura thr. T, se muestra el nholr hackbonr. Y para t, lre othrr t

) ción de los residuos 25 a 33. 17 a 441.55 a 60. 65 a 74 ajuste por mínimos cuadrados de las partes de thra I) wkbonr átomos mostrados rmsds werr esponjando 2.52 -4 f 0.35 A, respectivamente, segmentos de alta variabilidad iMtd 8 : ver también discusión).

143 A * 024 A y cuando se excavaron residuos en el (Figs.7

4. Discusión (a) Estructuras

Solo constmints SD LVOE-NOE

La información del experimento 31) NO% NC) E está sobredeterminada: se observan muchas conectividades en diferentes planos NH, como se ilustra para la conectividad 22CaHP28C ”H. Por tanto, las asignaciones son más fiables, en particular para las conectividades de largo alcance entre las cadenas laterales de diferentes residuos. Alrededor de 200 de estos NOI & de largo alcance podrían obtenerse del espectro 3D SOE-NON. Estas conectividades también se pueden obtener a partir de espectros 2D de una muestra de proteína disuelta en * H, O son. sin embargo, es más difícil asignar sin ambigüedades para los casos en los que sólo se observa una única actividad COW entre protones distantes en la secuencia primaria. Tal fue el caso de la caonta & entre Tyr27 y Leu23. ¿El coneetivit? se observó en t, he Xl) NOES 'specs27 & 236. trum. pero no se usó previamente debido a la ambigüedad de las asignaciones que surge de la superposición parcial con los metilos de Leu7. Esta conectividad se resolvió en t, el 31) espectro se observaron más 27-23 contactos, es decir, 23y-27

dio tres picos cruzados a través de diferentes conectividades en el plano de 27

. Las nuevas restricciones de distancia entre 27 y 23 rrsultan, ed en sus cadenas laterales acercándose en el 31) NOTI-NOT? estructura que los basados ​​en los 21) espectros NOE8Y (Fig. 4). Aparte de esta diferencia. las estructuras son muy similares (Fig. 4). Nuevos picos cruzados más importantes, no observados en el 2J> NOESY debido a la superposición, involucraron débil & -6X y 4 /. - BN. Los contactos son críticos para resolver la ambigüedad en la conformación del bucle de unión de proteasa visto anteriormente (Holak et al. 19891 ’,). En conclusión. el conjunto de datos 3D permitido

Átomos de lwkbonr de la estructura IO hiwc + ophilin. Estructuras Icor I. los I) ac * kl) onr atonrs de todos los atnino ac, itls con thr y I I5 a I IX arcos shot5 n. l'ht

) osition VNSdone hy 8 for ail strucat urw. mejor definición del st ructurw que

antes era posible en los 21) espectros. El 21) n.rt1.r. Las estructuras ya se basaron en un número vt’rv Iargc de distancias constantes *. totalizando 3: L4. El experimento 31) NOEm-XOE proporcionó 541 csonstraints de tiistancsr. En el tercer conjunto de strnc

tnrw. Los puentes disulfuro no se definieron ni como enlaces ni como restricciones de distancia. Estas estructuras son casi idénticas a las calculadas con los enlaces disulfuro especificados.

El análisis de ativr de los espectros NOESY generalmente puede proporcionar la información necesaria para establecer la presencia de puentes disulfuro (LVilliamson et al. 1985 Kline Pt (cl. 198X).El C? H - ('OH NO & bet.wren two eysteines usualmente indica que, los eysteines participan en el puente de disulfuro. En (MTT-1. Los tres puentes de disulfuro, cuyas posiciones se conocen de la X-ra) st , ructure. están muy cerca uno del otro. y es posible intjerc

mantenerlos sin cambios drásticos en la estructura secundaria y terciaria. También hay varios ('"ll - (! AH NO & prwc'nt en los espectros NOR entre cisteínas, que están involucrados en el puente disulfuro. Por ejemplo, la conexión entre 1S / I y 20 / I sería sugieren un emparejamiento incorrecto del c

El emparejamiento -S debe determinarse sin ambigüedades a partir de estructuras. La distancia S-S * t

es el n.rr1.r. 2.0 y 2.2 '4 en t, el puente de disulfuro, que es la distancia observada para el correcto emparejamiento S -8 de cistpinas. En todos los demás arreglos, art. la distancia entre átomos de azufre era mayor que 5,5: I. con) h la excepción del emparejamiento 10-28. para vhic * h la distancia es 3% A. En la estructura 211 NOESI (+ urt's. tht, conformat, ion del puente disulfuro IO-

% 2 fueron definidos de forma única, los otros dos puentes disulfuro mostraron la presencia de imágenes especulares en los átomos de azufre q (Holak et al. 1989n). Las estructuras actuales exhiben un formato c, iotis único para todos los puentes disulfuro de hrb. La capacidad de obtener estructuras con los iones c, onformato, iones de los puentes disulfuro determinados de forma única podría atribuirse a la presencia de nuevos NOES en el 3D. espectro que involucra quiste, eines.

La calidad de las presentes estructuras es tal que es posible una comparación detallada con la estructura de rayos X del inhibidor en el complejo de tripsina (Bode et al., 1989 Holak et al. 1989b). El n.m.r. y rayos X, las fracturas son casi idénticas en términos del pliegue global y la estructura secundaria (Fig. 4). Existen. sin embargo, algunas diferencias pequeñas pero claras entre el n.m.r. estructuras y la estructura de rayos X en los residuos 17 y 24 a 27. El n.m.r. Las estructuras en estas regiones están más expandidas que la estructura de rayos X. Esta expansión no es un artefacto del n.m.r. datos. Por ejemplo, las distancias entre protones 17fl, -46 y 4fl, -17p ,, 2 son 2.2 ay 3.0 .A en la estructura de rayos X. respectivamente. No se observaron NO Es correspondientes en el espectro 3D SOE-NOE. Como ('MTT-I tiene tres puentes disulfuro, que fijan toda la estructura, la proteína es muy rígida. Una gran reducción de las intensidades de? OE debido a los movimientos internos no es probable para las partes del residuo cerca de uno. de los puentes de disulfuro. Tampoco hay evidencia de multiplicidad en la conformación de R-04. Por lo tanto, en las estructuras n.rn.r., estas distancias tienen que ser más largas que 3,5 I, una estimación inferior bastante conservadora que tomaría en cuenta una mayor flexibilidad del segmento (l'epermans et al., 1988). Algunas de sus pequeñas diferencias podrían identificarse positivamente entre las dos estructuras. Un contacto muy estrecho entre 127 y 12N de 1.8 & A, como se ve en la estructura de rayos X, debería dar lugar a un SOE fuerte: en el espectro 31) 90% NOE. Sin embargo: este contacto es débil en el espectro. y consecuentemente se ve una mayor distancia en el n.m.r. estructuras (Fig.1). La diferencia entre el n.m.r. Las estruturas y la estructura de rayos S en los residuos 24 a 27 se notaron previamente y se atribuyeron al efecto del empaquetamiento cristalino y la interacción con la proteasa en la estructura cristalina (Holak et al. 1989h). Estos ejemplos lo demuestran. con las estructuras actuales. Es posible hacer incluso pequeñas diferenciaciones entre las estructuras que están totalmente respaldadas por los datos experimentales. (B)

Strwtuws de thu 3D XOE-NOE inhsity umstraints o un combir

ción de la intensidad y la distancia, las limitaciones

Las csonclusiones dibujadas en la sección anterior también son válidas para las estructuras calculadas a partir de las restricciones de intensidad. La calidad. en términos de geometría y concordancia con los datos KOE, de las estructuras de (IMTI-I calculado con t) las restricciones de intimidad fue leve. pero notablemente. mejor que, ha.t de las estructuras calculadas en presencia de restricciones de distancia (Tablas 3 y 4, Figuras 4, 5 y 6). Hemos elegido t) estructura hc de CMTI-T. que se refinó con el enfoque de matriz de relajación para un modelo de referencia que es el más cercano a la estructura mínima global. Para las restricciones de distancia, el procedimiento de extraer las distancias de los picos cruzados 31) NO y NOE es relativamente lento. ya que requiere el conocimiento de una distancia en cada 3D

pico cruzado para extraer la segunda distancia. Esta etapa está ausente cuando se trabaja con la intensidad constante, lluvias. Después de una calibración inicial de unos pocos w'rsus las intensidades de restricciones de distancia conocidas (ecuación (4)), la determinación de las dos distancias en el pico 371 XOE - NOE se deja al cálculo mismo. Dentro del método int, ensity. Los límites de error de las restricciones de distancia involucradas en las restricciones de intensidad juegan un papel más pequeño en las r.rn.s.d.s finales de las estructuras estándar que cuando se usa la restricción de distancia directamente durante los cálculos. Esto es deseable, ya que los límites de error de las restricciones de distancia se eligen actualmente sobre la base de un criterio bastante subjetivo. Otra ventaja importante de las restricciones de inbensidad es que el procedimiento se adapta fácilmente a la automatización de la computación, como la selección de picos y la simulación de los espectros. De hecho. la calculación produce no sólo las estructuras, sino también un espectro simulado que puede ser comparado directamente con el experimental (Fig. 1 (b)). Las estructuras que se calcularon a partir de una combinación de las restricciones de intensidad y las restricciones de distancia (derivadas de picos con 2 frecuencias iguales) exhibieron parámetros energéticos y geométricos que estaban aún más cerca de los de la estructura CMTT-I de referencia. Esto no es sorprendente, ya que la calidad de la hisactofilina aumenta con el aumento del número de ronst8raints no triviales (Wiithrich, 1986). El cálculo de la estructura de la hisactofilina ofrece una Ejemplo práctico de una aplicación de los datos de 311 SOE-NOE al ion det, erminat, de estructuras de proteínas más grandes Hisactofilina, un prototipo único de unión a actina de I) ict! lostr / iurn discoiwhich dwm. es un sensor de pH submembranoso. induce la polimerización de la actina a valores de pH por debajo de 7. y, por tanto, es un componente putativo de la cadena de transducción de señales (Scheel et 01 .. 1989). La proteína tiene un peso molecular de 13,5 kI) a. y su rasgo más característico es la presencia de 31 residuos de histidina de 118 aminoácidos. Teniendo en cuenta que la histidina es el único aminoácido con un valor de pK cercano al pH fisiológico. los datos indican que la molécula percibe la concentración de H + c *.

los residuos de histidina y es activo en su forma catiónica. Anteriormente no se disponía de un modelo estructural para la protección. En las Figuras 7 y 8 se muestra una superposición de las diez estructuras de hisactofilina. Un rasgo característico de las estructuras es la presencia de 12 hebras j y ninguna hélice a. La estructura general se puede describir mejor como la formación de dos láminas fl antiparalelas de cuatro rangos y una lámina antiparalela de seis hebras. La Figura 9 muestra gráficas del r.m.s. at) ómico distribuciones para las estructuras. La columna vertebral de hisactofilina dentro de las 12 b & rands está muy bien determinada. Las t) urnas y asas muestran una mayor variabilidad. teniendo el bucle entre los residuos 2.5 y 33 la mayor variabilidad. La mayoría de los residuos en este segmento no mostraron KOE en los espectros? 'OE. Es interesante notar que todas las glicinas e histidinas, con la excepción de His3.5, His75 e His78. son lo & ed en los bucles o vueltas cuyo r.m.s. atómico

Figura 9. Promedio de pares de átomos r.m.s. diferencias entre las estructuras de hisactofilina. l representa residuos t, hr que están involucrados en /? - el 0 de la hoja representa residuos de vueltas y los bucles 1 muestran las desviaciones estándar. La superposición de t, los luchadores estaba en Pip. 8.

Las diferencias para los átomos de la columna vertebral son mayores que 2.0 A (Fig. 9). Más detalles de la estructura de la hisactofilina, así como la descripción de las asignaciones y elementos de la estructura secundaria. se presentará en otro lugar. Tt está claro a partir de los datos presentados. sin embargo, se pueden obtener estructuras bien determinadas de proteínas grandes a partir de los datos 31) NOE-NOE incluso sin la disponibilidad de las restricciones del ángulo diedro. Desde la presentación de nuestro manuscrito, ha aparecido una comunicación que describe un enfoque muy similar al nuestro de un uso directo de las intensidades de SO y NOE para los cálculos de estructura (Ronvin rt al .. 1991). El procedimiento descrito en esta comunicación se probó en n.m.r. simulado datos para una hélice a de ocho residuos. (c) Conclusiones

Espectro X’OE en H, O. t.hc SOE entre los rotones alifáticos J) se pueden observar en, único IrrlitI (b J> rot, en frec (

s. El enfoque de oJ) timurn para reJjroduc: ing t, he strrrc *

cbontentural del 31) NO & SOE cross-J) eak es el uso del potencial de pseudoenergía PI) de rqn (9). que representa la intensidad del pico cruzado. La diferencia se apuesta, entre caJculat, ed y obsrrvetl 31) NOE-SOE: intensitv is t, hrn usado directamente como fi) rc: r en las coordenadas de it Jjrotcill en thtb estructura c

alcutación. El uso directo de las intensidades NOB evita la transformación de las intensidades SOE en dist) as. que * h es i ime-c

e introduce errores de targer en thca distancatl caom & aints. debido a la inclusión de un paso adicional que implica escalar los datos. Como 1 la determinación de t, las dos distancias involucradas en la 31) NOE-SOF:? Ross-J) eak se deja al cálculo mismo, los límites de error a la tlist, ancet caonsi) lluvias involucradas en la intensidad constante, raint , s J) retrasan un papel más importante en los rmsds finales de las estructuras que en un caso cuando se usa la distancia (Lonstraints direcat Jy durante los cálculos. Gracias a Redmond Bernstein por su contribución al desarrollo de softwarcl drvrlopmrnt. Este trabajo fue apoyado por una beca de investigación de la J

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

haft (f’rojrcts Ho-l Z69jl 1. Shl-dO4 /% 4 y SFR dO7). .J.O. tiene trcscstla beneficiario de una beca de la Fundación Humboldt

Referencias Rode. Yo ‘.. Creyling, H., J .. Hubrr. R .. Ottrwski. .J. X: Wilusz. T. (1989). La estructura refinada de rayos X 2.0 AA c * r, vstal del clomplrx se formó entre bovincL S-tripsina y cmti-1. un inhibidor de tripsina de semillas de calabaza (C’ucurDitn ntn.rimn). FEE'5 httrrs. 242. 385-293. Boelens, R .. -uister. (:. iv .. Koning. T. M. (:. & Kaptrin. R. (1989). Observación de la difusión de espín en biomolec

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

nlrs. .I. Mflgn. 63 1 Breg. J. X .. Boalens. R .. Vuister. (:. LV. & Kapt (Gn. R. (1990). 311 EOE NOE espectroscopia de proteínas. Observación de picos de carosspicos secuenciales RI1 NOE en el represor arca., I. Nagn. Krson. 87, fi4B - Cl Kriinger. AT ( 1988). ('Refinamiento rytallográfico' 1)) simulado, recocido ed. .I. Mol. Hid. 203. 803- XI 6. Fairbrother. V. .J., (Iipprrt ,. (:. I- '. , Reizrr. .I .. Sairr. NH. * Jr & Wright. I '. E. (1993). Estructura en solución de baja resolución del dominio Ntrcillun su6tili.q glucost: permease TTA derivado de heteronu

-tlimensional n.m.r. sprctrosropía. IAl de FEFRA

rs. 2%. 148 -152. Fesik. S. N '. & Zuidcrweg. E. R. I ’. (1988). Heteronuclrar tridimensional n.m.r. espectroscopia. Una estrategia para la simplificación de n.m.r. homonuclear bidimensional espectros. J. Magm & hijo. 78, 588

69S. Fe.sik. S. W. y Zuiderwrg. F. R. P. (1990). Hetrronuc

n.m.r. tridimensional espectroscopia de macromoléculas isotópicas). Cuarto de galón. Retirado,. Biophys biológico etiquetado. 23. 97-131. Criesingrr. (1 .. Grensen, 0. W. & Ernst, RR (1989). Espectroscopía de Fourier de tres dimrusiones. Aplicación a RMN de alta resolución J. Xagn. Reson. 84, 14-63. HabazeM. .I .. Ross. A .. Oschkinat. H. & Holak. TA (1992). Vías secundarias I% OE en espectros POESY 2D de protemas estimadas a partir de espectroscopía magnética nuclear homonuclear thrc + dimensional BOE-XOE. J. Nagn. Reson. 97, resonancia

Universidad de Indiana. Havel. T. F. 8r B’iithrich. K. (1985). Una evaluación del uso común de la resonancia magnética nuclear y la geometría de la distancia para la determinación de proteínas en solución. ./. Mol. Kiol. 182. c: onforrriations 2x1 294. Holak. 'I'. A., (

ondol. Yo)., Otlewski. , J. Y Wilusz. T. (19X9a). Determinación de la estructura tridimensional completa del inhibidor de tripsina a partir de semillas de calabaza en solución acuosa mediante imán nuclear, resonancia ic y una combinación de geometría de distancia y recocido simulado dinámico. J. Mo, 1. Hiol. 210. 635

-64X. Holak. T. A .. Rode. W., Huber, R., Otlewski. ,I. Y Wilusz, T. (19896). La solución de resonancia magnética nuclear y las estructuras de rayos X del inhibidor de tripsina de calabaza exhiben la misma conformación de la unión de proteinasa h,] ,.

% d4. Holak. 'I'. A .. Hahazettl. * J .. Oschkinat, H. y Otlewski. ,I. (1991). Estructuras de proteínas en solución derivadas del espectro de resonancia magnética homonuclear tridimensional XOE-I $ OE, rosc * opy. St, ructurr de alta resolución nuclear del inhibidor de tripsina de calabaza.

.I Alwrr. ("Hetn. Sot. 113. 3196-3198. Kay.

I,. IC .. (‘lorr. G. & I .. l% ax. A. $ Gronenhorn, A. 31. Triple heteronuclear dimensional Fcjur (IH!) O). resonancia n.m.r. espectroscopia de IntrrleukillI fl en solución. Scir? /

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

,. S. y Saulit, es. , J. (1991). IMerminación de tasas de relajación cruzada por 3D NOE

A. Kraun, W. y Wiithrich, K. (1988). 1) determinación de la estructura tridimensional completa del inhibidor de a-amilasa tendamistat en solución acuosa por imán nuclear, resonancia ic y tlistan

omrtry. .J. .Yo lol. Biol. 204. 657 -67 ”.

Marion. D .. Kay, yo ,. E., chispas. A. (1989). Proteínas marcadas con 15N tridimensionales. J.

S. W .. Torchia. heteronurlear

1515-1517. Sentinas. M .. Gronenborn, A. M .. Briingrr. AT & ('lore. GM (1988). Det'ermination de estructuras tridimensionales de proteínas por recocido simulado con restricciones de distancia interproton. Aplicación a Crambin. Inhibidor de carboxipeptidasa de patata e inhibidor de proteinasa serinr de cebada 2. f'rotrin E? Bg. 2. “'i-38. Silgrs. M .. Habazettl. .J., Rriingrr. AT & Holak. TA (1991). Refinamiento de la matriz de relajación de la estructura de la solución del inhibidor de tripsina de calabaza. .J. Mol. Biol. 219 499S.510. Oschkinat. H .. Cieslar. C. & Crirsingrr. ('. (1990). Reconocimiento de elementos de estructura secundaria en espectros tridimensionales de protéínas. Interpretación de 31) amplitudes de picos cruzados. J. Magn. Reson. 86, 153S469. Prprrmans. H .. Tourwe. D., Van Rinst. G .. Hoelens, R .. Srheek. RM, Van Gunsteren. 1% '. F. y Kaptein. R. (1988) . El uso combinado de SMR. Geometría de distancia. Y dinámica molecular restringida para el estudio conformacional de un análogo cíclico de la somatostatina. Biopolímeros 27, 323

. Ross. A., Freund. J .. Cieslar. C ’.. Oschkinat. H., Schlricher, M. y Holak. T. A. (1991). NOE tridimensional homonuclear

Espectroscopia de resonancia magnética nuclear NOE de proteínas en agua.

.J. Magn. Reson. 95. 567-573. Schrrl. , Yo., Ziegelbauer. K., Kupke. "Yo" ... Humbel. B. M., Sorgel, A. A .. Gerisch, G. 8r Schleicher. &I. (1989). Hisactofilina. un acto rico en histidina, proteína de unión discoideum. .J. Biol. C'hem. 264. de lktyostelium 283% 2839. L-uister. (:. 1 ’.. I) r Waard. Yo '., Roelens. Es .. 'liegenthart ,. .I. F. (:. & Kaptein, R. (1989). El uso de 31) n.m.r. en estudios estructurales de oligosacáridos. .J. .4 rnrr. ('dobladillo.

Aoc. 111, 77% 774. Villiamson. hl. P .. Havrl, T. F. y Wiithrich. K. (1985). Conformación de solución, inhibidor de iones de proteinasa o IIa de plasma seminal de toro mediante resonancia magnética nuclear y geometría de distancia. -1. .Vo /. Hiol. 82.

Wiithrich. K .. Hilleter. M. y Braun. L2 .. (1984). Determinación de la estructura secundaria de Iolipeptidos mediante observación de resonancia magnética nuclear de distancias cortas de protón a protón. D. Xolol. Biol. 180, 71 y 7 #). Zuiderweg. E. R. P. y Fesik. S. W. (1989). Thrt heteronuclear.