Apprοche mixte par résοnance magnétique nucléaire, dichrοïsme circulaire électrοnique et mοdélisatiοn mοléculaire pοur l'étude structurale de petits peptides biοactifs.
Auteur / Autrice : | Sébastien Menant |
Direction : | Laure Guilhaudis, Isabelle Segalas-Milazzo |
Type : | Thèse de doctorat |
Discipline(s) : | Chimie |
Date : | Soutenance le 20/12/2024 |
Etablissement(s) : | Normandie |
Ecole(s) doctorale(s) : | École doctorale normande de chimie (Caen) |
Partenaire(s) de recherche : | Laboratoire : Chimie organique, bioorganique : réactivité et analyse (Mont-Saint-Aignan, Seine-Maritime ; 2000-....) |
Établissement co-accrédité : Université de Rouen Normandie (1966-....) | |
Jury : | Examinateurs / Examinatrices : Laure Guilhaudis, Isabelle Segalas-Milazzo, Olivier Lequin, Elise Dumont, Vincent Tognetti, Christophe Morell |
Rapporteur / Rapporteuse : Olivier Lequin, Elise Dumont |
Mots clés
Résumé
La structure secondaire des protéines et des peptides en solution est généralement résolue par la spectroscopie Résonance Magnétique Nucléaire (RMN) et par le Dichroïsme Circulaire Électronique (DCE). Ces deux méthodes d’analyse ont cependant des limitations lorsqu’elles sont utilisées sur des peptides très courts, pouvant contenir des motifs coudés souvent mal caractérisés. En solution, la flexibilité de ces petites molécules complexifie aussi la détermination de structures. Les méthodes théoriques comme la Dynamique moléculaire (DM), la simulation de paramètres RMN par la Théorie de la Fonctionnelle de la densité (DFT) et la production de spectre DCE par TD-DFT sont des outils adaptés pour pallier ces problèmes, bien qu’elles puissent avoir un coût computationnel important. A travers les exemples du peptide Piv-Pro-D-Ser-NHMe et du peptide Ala-Phe-Ala, deux molécules respectivement structurée et flexible, nous avons optimisé des protocoles mixtes, expérimentaux et théoriques, pour la détermination de structure de séquences très courtes d’acides aminés. Enfin, l’efficacité computationnelle a été améliorée par Machine Learning (ML) pour la simulation de la constante de couplage 3JHN-Hα par DFT.