Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Experimentos Relacionados

Determinación de la estructura inferencial determinación de la estructura inferencial

Wolfgang Rieping1, Michael Habeck, Michael Nilges

  • 1Unité de Bioinformatique Structurale, Institut Pasteur, CNRS URA 2185, 25-28 rue du Docteur Roux, 75724 Paris CEDEX 15, France.

Science (New York, N.Y.)
|July 9, 2005
PubMed
Resumen
Este resumen es generado por máquina.

Videos de Conceptos Relacionados

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

The NMR Exchange Format (NEF): Specification and Applications.

bioRxiv : the preprint server for biology·2026
Same author

Structural determinants of endopilus assembly, stability and functional specificity in bacterial type II secretion.

bioRxiv : the preprint server for biology·2026
Same author

zelll: a fast, framework-free, and flexible implementation of the cell lists algorithm for the Rust programming language.

Bioinformatics advances·2026
Same author

NMR, a tool for biology.

Structure (London, England : 1993)·2026
Same author

Sarcomere analysis in human cardiomyocytes by computing radial frequency spectra.

Biological chemistry·2025
Same author

Using Bayesian priors to overcome non-identifiablility issues in Hidden Markov models.

bioRxiv : the preprint server for biology·2025
Same journal

A native sulfur deposit in Gale crater, Mars.

Science (New York, N.Y.)·2026
Same journal

Coordinated demise of harmful algal blooms.

Science (New York, N.Y.)·2026
Same journal

Genetic effects put into context.

Science (New York, N.Y.)·2026
Same journal

Bacteria share proteins to survive antibiotics.

Science (New York, N.Y.)·2026
Same journal

Impacts shaped Earth's first continents.

Science (New York, N.Y.)·2026
Same journal

Erratum for the Report "Covalently bonded single-molecule junctions with stable and reversible photoswitched conductivity" by C. Jia <i>et al</i>.

Science (New York, N.Y.)·2026
Ver todos los artículos relacionados

La inferencia bayesiana proporciona una medida objetiva de la precisión de la estructura macromolecular a partir de los datos de RMN. Este enfoque mejora la calidad estructural al reducir las elecciones subjetivas en el análisis de datos.

Área de la Ciencia:

  • Biología Estructural Biología estructural.
  • La biofísica es la biofísica.
  • Química computacional es la química computacional.

Sus antecedentes:

  • Las estructuras macromoleculares derivadas de los datos de resonancia magnética nuclear (RMN) están influenciadas por decisiones subjetivas en el procesamiento de datos y la selección de parámetros.
  • Esta subjetividad dificulta la evaluación objetiva de la precisión y fiabilidad de las estructuras calculadas.
  • Los métodos existentes a menudo requieren opciones empíricas para los parámetros, lo que limita la evaluación objetiva.

Objetivo del estudio:

  • Desarrollar un método para determinar objetivamente la precisión de las estructuras macromoleculares calculadas a partir de datos de RMN.
  • Para establecer una distribución de probabilidad que represente la estructura desconocida y su precisión asociada.
  • Integrar la determinación de parámetros desconocidos adicionales, como los parámetros teóricos, dentro del marco de cálculo estructural.

Videos de Experimentos Relacionados

Principales métodos:

  • Aplicación de la inferencia bayesiana para derivar una distribución de probabilidad para la estructura macromolecular.
  • Utilizando las técnicas de cadena de Markov Monte Carlo (MCMC) para la implementación del enfoque bayesiano.
  • Determinación simultánea de parámetros estructurales y otras incógnitas, como parámetros teóricos, dentro de un marco probabilístico unificado.

Principales resultados:

  • El método de inferencia bayesiana desarrollado genera una distribución de probabilidad que inherentemente representa la precisión estructural.
  • Este enfoque determina objetivamente parámetros desconocidos previamente elegidos empíricamente.
  • El método da una cifra objetiva de mérito para evaluar la calidad estructural.

Conclusiones:

  • La inferencia bayesiana ofrece un marco objetivo para evaluar la precisión de las estructuras macromoleculares derivadas de la RMN.
  • La integración de las técnicas MCMC permite un cálculo estructural robusto y una estimación de parámetros.
  • Esta metodología mejora la calidad general y la fiabilidad de los modelos estructurales en biofísica y biología estructural.