MARC

 008260126s2025        us                              c    eng  d
■001000017359679
■00520260202105157
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798273306967
■035    ▼a(MiAaPQ)AAI32243434
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a530
■1001  ▼aMandaiya,  Avinash.
■24510▼aConstraint-Based  Methods  for  Macromolecular  Structure  Prediction  and  Multi-Conformer  Refinement
■260    ▼a[Sl]▼bCornell  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a111  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-07,  Section:  B.
■500    ▼aAdvisor:  Elser,  Veit.
■5021  ▼aThesis  (Ph.D.)--Cornell  University,  2025.
■520    ▼aThis  dissertation  addresses  fundamental  challenges  in  structural  biology  through  the  development  and  application  of  constraint  satisfaction  formulations,  which  are  effectively  solved  using  iterative  projection  methods  such  as  Reflect-Reflect-Relax  (RRR).  We  demonstrate  how  the  divide-and-concur  framework,  when  combined  with  these  methods,  can  successfully  tackle  complex  structural  problems  that  require  the  satisfaction  of  multiple  constraints  involving  molecular  geometry,  X-ray  contrast  (electron  charge  density),  and  energy  models.            We  begin  with  a  proof-of-concept  study  involving  simplified  two-dimensional  lattice  proteins,  composed  of  only  two  residues,  H  (hydrophobic)  and  P  (polar),  designed  to  capture  the  essential  features  of  globular  protein  folding.  This  study  establishes  the  viability  of  constraint-based  approaches  for  structural  prediction  problems,  demonstrating  their  effectiveness  in  solving  such  systems.            Building  upon  this  foundation,  we  utilize  the  divide-and-concur  framework  to  address  the  real  protein  folding  challenge.  While  protein  folding  involves  complex  thermodynamic  processes  that  require  a  delicate  balance  of  multiple  physical  forces,  our  constraint-based  approach  effectively  approximates  traditional  force  field  models  while  offering  significant  computational  advantages.  The  key  innovation  lies  in  incorporating  interpretable  constraints  through  the  divide-and-concur  framework,  which  systematically  reduces  the  conformational  search  space.  This  enhancement  enables  ab  initio  folding  of  miniproteins  on  standard  commercial  computers  within  minutes,  representing  a  substantial  improvement  in  computational  efficiency.            The  versatility  of  constraint-based  methods  extends  beyond  protein  folding  to  other  critical  structural  biology  applications,  particularly  in  multi-conformer  refinement  problems  where  configuration  tangling  phenomena  arise.  The  modular  nature  of  the  divide-and-concur  framework  facilitates  seamless  integration  of  density  constraints,  making  it  particularly  well-suited  for  multi-constraint  optimization  problems.  This  work  establishes  constraint-based  approaches  as  powerful  tools  for  tackling  some  of  the  most  computationally  demanding  problems  in  modern  structural  biology.
■590    ▼aSchool  code:  0058.
■650  4▼aPhysics
■650  4▼aBiology
■650  4▼aMolecular  biology
■653    ▼aReflect-Reflect-Relax
■653    ▼aLattice  proteins
■653    ▼aComputational  efficiency
■653    ▼aStructural  biology
■690    ▼a0605
■690    ▼a0306
■690    ▼a0307
■71020▼aCornell  University▼bPhysics.
■7730  ▼tDissertations  Abstracts  International▼g87-07B.
■790    ▼a0058
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359679▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books