Esta é uma visão de trabalho sobre Peptídeo, para quem quer mais que um parágrafo e menos que um manual.
Atualizado em 2026-08-01. Números e descrições seguem a literatura publicada, não o material promocional.
hidrofóbicas — contatos hidrofóbicos (favoráveis), hidrofóbico — hidrofílicas contatos (desfavoráveis) (Responsável por ligações de hidrogênio não atendidas, que são uma importante contribuição entálpica para a ligação. Uma ligação de hidrogênio perdida pode representar 1–2 ordens de magnitude na afinidade de ligação.), número de ligações de hidrogênio (contribuição favorável para a afinidade, especialmente se protegida do solvente; se exposta ao solvente, nenhuma contribuição), número de ligações rotáveis imobilizadas na formação do complexo (contribuição entrópica conformacional desfavorável). Baseada em conhecimento – baseada em observações estatísticas de contatos próximos intermoleculares em grandes bancos de dados 3D (como o Cambridge Structural Database ou Protein Data Bank) que são usados para derivar "potenciais de força média" estatísticos. Este método é fundamentado na suposição de que interações intermoleculares próximas entre certos tipos de átomos ou grupos funcionais que ocorrem com mais frequência do que se esperaria por uma distribuição aleatória são provavelmente energeticamente favoráveis e, portanto, contribuem favoravelmente para a afinidade de ligação. Aprendizado de máquina – Ao contrário dessas funções de pontuação clássicas, as funções de pontuação de aprendizado de máquina são caracterizadas por não assumir uma forma funcional predeterminada para a relação entre a afinidade de ligação e as características estruturais que descrevem o complexo proteína-ligante. Desta forma, a forma funcional é inferida diretamente dos dados.
Fontes: pt.wikipedia.org
Descobriu-se consistentemente que as funções de pontuação de aprendizado de máquina superam as funções de pontuação clássicas na predição de afinidade de ligação de diversos complexos proteína-ligante. Este também tem sido o caso para complexos específicos de alvos, embora a vantagem dependa do alvo e dependa principalmente do volume de dados relevantes disponíveis. Quando os devidos cuidados são tomados, as funções de pontuação de aprendizado de máquina tendem a superar fortemente as funções de pontuação clássicas no problema relacionado da triagem virtual baseada em estrutura. Além disso, se dados específicos para o alvo estiverem disponíveis, essa lacuna de desempenho se amplia. Estas revisões fornecem uma visão geral mais ampla sobre funções de pontuação de aprendizado de máquina para design de fármacos baseado em estrutura. A escolha de decoys para um determinado alvo é um dos fatores mais importantes para treinar e testar qualquer função de pontuação. Os três primeiros tipos, campo de força, empírica e baseada em conhecimento, são comumente referidos como funções de pontuação clássicas e são caracterizados por assumir que suas contribuições para a ligação são combinadas linearmente. Devido a esta restrição, as funções de pontuação clássicas são incapazes de aproveitar grandes quantidades de dados de treinamento.
Fontes: pt.wikipedia.org
== Refinamento == Como diferentes funções de pontuação são relativamente colineares, funções de pontuação de consenso podem não melhorar significativamente a precisão. Esta afirmação foi um tanto contrária à visão predominante no campo, uma vez que estudos anteriores sugeriram que a pontuação de consenso era benéfica. Uma função de pontuação perfeita seria capaz de prever a energia livre de ligação entre o ligante e seu alvo. Mas na realidade, tanto os métodos computacionais quanto os recursos computacionais impõem restrições a este objetivo. Portanto, na maioria das vezes, são selecionados métodos que minimizam o número de ligantes falso-positivos e falso-negativos. Nos casos em que um conjunto de dados experimentais de treinamento de constantes e estruturas de ligação está disponível, um método simples foi desenvolvido para refinar a função de pontuação usada no encaixe molecular.
Fontes: pt.wikipedia.org
Geranilgeranilação é uma forma de prenilação, que é uma modificação pós-traducional de proteínass que envolve a ligação de uma ou duas unidades isoprenóides de 20 carbonos geranilgeranil lipofílicos de difosfato de geranilgeranil que passam para um ou dois resíduos de cisteína no C-terminal de uma determinada proteína . Pensa-se que a prenilação (incluindo a geranilgeranilação) funciona, pelo menos em parte, como uma âncora nas membranas para as proteínas. O processo de geranilgeranilação pode ser catalisado pela geranilgeranil transferase I (GGTase I) ou pela GGTase Rab (também designada por GGTase II). A GGTase I catalisa a adição de um grupo geranilgeranil à sequência de consenso C-terminal CAAL (bastante semelhante às reações da farnesiltransferase), em que C = cisteína, A = qualquer aminoácido alifático e L = leucina. A GGTase Rab adiciona um total de dois grupos geranilgeranil a dois resíduos de cisteína na sequência de consenso C-terminal CXC ou XXCC. A fonte do grupo geranilgeranil é o difosfato de geranilgeranil, que é sintetizado por GGPS1 dentro da via biossintética isoprenóide. Um exemplo disso pode ser observado na âncora lipídica da GTPase Rho de moléculas de sinalização e a subunidade gama de proteínas G heterotriméricas.
Fontes: pt.wikipedia.org
Peptídeo é resumido aqui a partir de literatura pública: definição, contexto e pontos recorrentes na prática. Informação geral, não aconselhamento médico.
A pesquisa sobre Peptídeo apoia-se sobretudo em estudos de laboratório e modelos animais; dados clínicos variam conforme a substância.
Pureza e análise (HPLC, espectrometria de massa), reconstituição correta e armazenamento adequado são decisivos.%!(EXTRA string=Peptídeo)
Nem todos os mecanismos estão demonstrados e um estudo isolado não é evidência global. As questões abertas são sinalizadas.%!(EXTRA string=Peptídeo)