Fast data acquisition methods for nuclear magnetic resonance in structural biology

• Grant number: 07/02716-2
• Support Opportunities: Scholarships abroad - New Frontiers
• Start date: May 01, 2008
• End date: June 30, 2008
• Field of knowledge: Biological Sciences - Biophysics - Molecular Biophysics
• Principal Investigator: Ana Carolina de Mattos Zeri
• Grantee: Ana Carolina de Mattos Zeri
• Host Investigator: Thomas Szyperski
• Host Institution: Associação Brasileira de Tecnologia de Luz Síncrotron (ABTLuS). Campinas , SP, Brazil
• Institution abroad: University at Buffalo (UB), United States

Abstract

A Ressonância Magnética Nuclear (RMN) aplicada ao estudo estrutural de proteínas fornece informações comparáveis à cristalografia de raios-x, além de possibilitar a obtenção de parâmetros dinâmicos e de interações entre proteínas e ligantes. Vantagens quanto ao estado das amostras, que são estudadas em condições mais próximas do estado natural das moléculas, são no entanto contrabalenceadas pelo limite de tamanho acessível à técnica. Experimentos multidimensionais são a base dos métodos modernos de RMN de proteínas, e correlacionam frequências diferentes visando a identificação de todos os núcleos atômicos na proteína. O tempo de aquisição dos dados se torna proibitivo com o aumento de dimensões espectrais, somando-se então aos problemas de indentificação de inúmeros sinais com o aumento da massa molecular. Uma técnica que possibilita uma redução drástica no tempo de coleta de dados, sem prejudicar a resolução, é a GFT-NMR desenvolvida pelo Prof. Thomas Szypersky, da State University of New York, Buffalo com quem pretendo realizar esse estágio. Essa técnica permite a obtenção de espectros multidimensionais que são combinações lineares de outros espectros multidimensionais, gerando muitos sinais correlacionados em um mesmo experimento. Técnicas automatizadas de análise de dados também vem sendo desenvolvidas pelo Prof. Szyperski, visando a obtenção de estruturas de proteínas em menor tempo. A implementação desta metodologia no laboratório multi-usuário do LNLS, combinando a redução do tempo experimental com a facilidade da análise automatizada de dados, ampliará a gama de aplicações já disponíveis e o número de pesquisadores beneficiados. (AU)