104 resultados para Proteínas fúngicas
Resumo:
Dissertação apresentada para obtenção do Grau de Doutor em Química Inorgânica pela Universidade Nova de Lisboa, Faculdade de Ciências e Tecnologia
Resumo:
Dissertação apresentada para a obtenção do Grau de Mestre em Genética Molecular e Biomedicina, pela Universidade Nova de Lisboa, Faculdade de Ciências e Tecnologia
Resumo:
Dissertação apresentada para obtenção do Grau de Doutor em Bioquímica, pela Universidade Nova de Lisboa, Faculdade de Ciências e Tecnologia
Resumo:
Dissertação apresentada para obtenção do Grau de Doutor em Química, especialidade Química Inorgânica, pela Universidade Nova de Lisboa, Faculdade de Ciências e Tecnologia.
Resumo:
Tese apresentada para obtenção do grau de Doutor
Resumo:
Dissertação apresentada na Faculdade de Ciências e Tecnologia da Universidade Nova de Lisboa para obtenção do grau de Mestre em Engenharia Microelectrónica e Nanotecnologias
Resumo:
Dissertação para obtenção do Grau de Mestre em Biotecnologia
Resumo:
Dissertação para obtenção do Grau de Mestre em Bioquímica Estrutural e Funcional
Resumo:
Dissertação para obtenção do Grau de Mestre em Biotecnologia
Resumo:
Dissertação para obtenção do Grau de Doutor em Química Especialidade de Química Orgânica, pela Universidade Nova de Lisboa, Faculdade de Ciências e Tecnologia
Resumo:
Dissertação para obtenção do Grau de Mestre em Biotecnologia
Resumo:
No decorrer do trabalho experimental que originou esta dissertação efectuaram-se vários estudos com o intuito de estudar cineticamente a reacção de hidrólise enzimática de proteínas acelerada por ultrasons. Utilizaram-se quatro proteínas diferentes: albumina sérica bovina (BSA), anidrase carbónica, ovalbumina e α-lactoalbumina que foram digeridas com tripsina. No sentido de monitorizar em tempo real a reacção de hidrólise recorreu-se a espectrofotometria ultravioleta-visivel, utilizando tecnologia NanoDrop® ND-1000, com base nas características físico-químicas das cadeias polipeptídicas, bem como à incorporação de um corante extrínseco através do ensaio de Bradford. Efectuaram-se igualmente estudos de espectrofotometria de fluorescência, também através da tecnologia NanoDrop® ND-3300, por incorporação de um fluoróforo extrínseco, SYPRO® Orange, à estrutura proteica. Para além dos ensaios espectrofotométricos, recorreu-se a uma nova metodologia de quantificação proteica através da marcação isotópica com oxigénio 18O acoplada a jusante com espectrometria de massa MALDI-TOF-MS. Com base nos resultados obtidos, concluiu-se que através do protocolo testado de digestão enzimática de proteínas acelerada por ultrasons não foi possível monitorizar em tempo real a reacção, quer por espectrofotometria de UV-Vis, quer por espectrofotometria de fluorescência através do fluoróforo SYPRO® Orange. No que diz respeito à marcação isotópica por 18O também não foi possível efectuar qualquer estudo cinético, uma vez que esta metodologia apenas permite a quantificação relativa das amostras proteicas.
Resumo:
Uma caraterística comum a muitas doenças neurodegenerativas é a formação de agregados proteicos e amilóides, no que se designa a cascata amiloíde. O foco deste trabalho é o estudo do homodímero S100A9 e do heterodímero S100A8/A9, duas das proteínas da resposta neuroinflamatória, que se encontram elevadas na vizinhança de depósitos proteicos, nomeadamente na doença de Alzheimer. Estas proteínas pertencem à família das S100, que possuem dois domínios EF-hand de ligação a Ca2+, e ligam também cobre e zinco. Este estudo visa contribuir esclarecer se as proteínas S100A8 e A100A9 estarão envolvidas na cascata de agregação amilóide, por formação direta de agregados das S100, ou mediante a associação com iões metálicos, cuja disfunção é característica em doenças neurodegenerativas. O primeiro passo do trabalho consistiu em expressar e purificar a S100A9 e a S100A8/A9, optimizando o processo. Os estudos de estabilidade térmica na presença e ausência de Ca2+, Cu2+ e Zn2+, revelaram que a S100A8/A9 é termodinamicamente mais estável que a S100A9. Os três iões metálicos são destabilizadores da S100A9, diminuindo a sua estabilidade térmica. Para a estabilidade térmica da S100A8/A9 os mesmos iões não mostraram ter um efeito significativo, pelo que se sugere uma conformação diferente com o core hidrofóbico mais blindado, aumentando a estabilidade. Realizaram-se também ensaios cinéticos de agregação, que revelram que a S100A9 apresenta uma agregação heterogénea, não dependente de nucleação na presença dos metais. No caso da S100A8/A9, os três iões metálicos potenciam a agregação. Por fim, analisou-se a hipótese de S100A9 e S100A8/A9 como moduladores de agregação do péptido Aβ1-42. O Aβ1-42 mostrou ter influência na agregação da S100A9 e da S100A8/A9, podendo estas proteínas ser potenciadoras da agregação. Este trabalho revelou que a agregação das proteínas em estudo é influenciada e potenciada pela ligação dos iões metálicos, pelo que se sugere que estes tenham um papel crucial na formação de agregados de S100A8/A9 e de S100A9.
Resumo:
The principal topic of this work is the application of data mining techniques, in particular of machine learning, to the discovery of knowledge in a protein database. In the first chapter a general background is presented. Namely, in section 1.1 we overview the methodology of a Data Mining project and its main algorithms. In section 1.2 an introduction to the proteins and its supporting file formats is outlined. This chapter is concluded with section 1.3 which defines that main problem we pretend to address with this work: determine if an amino acid is exposed or buried in a protein, in a discrete way (i.e.: not continuous), for five exposition levels: 2%, 10%, 20%, 25% and 30%. In the second chapter, following closely the CRISP-DM methodology, whole the process of construction the database that supported this work is presented. Namely, it is described the process of loading data from the Protein Data Bank, DSSP and SCOP. Then an initial data exploration is performed and a simple prediction model (baseline) of the relative solvent accessibility of an amino acid is introduced. It is also introduced the Data Mining Table Creator, a program developed to produce the data mining tables required for this problem. In the third chapter the results obtained are analyzed with statistical significance tests. Initially the several used classifiers (Neural Networks, C5.0, CART and Chaid) are compared and it is concluded that C5.0 is the most suitable for the problem at stake. It is also compared the influence of parameters like the amino acid information level, the amino acid window size and the SCOP class type in the accuracy of the predictive models. The fourth chapter starts with a brief revision of the literature about amino acid relative solvent accessibility. Then, we overview the main results achieved and finally discuss about possible future work. The fifth and last chapter consists of appendices. Appendix A has the schema of the database that supported this thesis. Appendix B has a set of tables with additional information. Appendix C describes the software provided in the DVD accompanying this thesis that allows the reconstruction of the present work.