Publication

Cross-correlation between a carbonyl C' chemical shift anisotropy and a long-range dipolar C'HA coupling in proteins using symmetrical reconversion

Geoffrey Bodenhausen
2003
Journal Articles

Résumé

A new sequence is described to measure the cross-correlation rates between the chem. shift anisotropy of the carbonyl carbon-13 nucleus and the dipole-dipole interaction between this carbonyl and the alpha-proton in proteins. The sequence is based on the sym. reconversion principle and is insensitive to exptl. errors and to violations of the secular approxn. The cross-correlation rate depends on the backbone angle y. The advantages and limitations of the sequence are discussed. [on SciFinder (R)]

Source officielle

https://infoscience.epfl.ch/entities/publication/be62d7e8-2504-4b98-8704-63b1c697b312

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Geoffrey Bodenhausen
2003
Journal Articles

Résumé

Source officielle

https://infoscience.epfl.ch/entities/publication/be62d7e8-2504-4b98-8704-63b1c697b312

À propos de ce résultat

Concepts associés (32)

Intraclass correlation

In statistics, the intraclass correlation, or the intraclass correlation coefficient (ICC), is a descriptive statistic that can be used when quantitative measurements are made on units that are organized into groups. It describes how strongly units in the same group resemble each other. While it is viewed as a type of correlation, unlike most other correlation measures, it operates on data structured as groups rather than data structured as paired observations.

Corrélation (statistiques)

En probabilités et en statistique, la corrélation entre plusieurs variables aléatoires ou statistiques est une notion de liaison qui contredit leur indépendance. Cette corrélation est très souvent réduite à la corrélation linéaire entre variables quantitatives, c’est-à-dire l’ajustement d’une variable par rapport à l’autre par une relation affine obtenue par régression linéaire. Pour cela, on calcule un coefficient de corrélation linéaire, quotient de leur covariance par le produit de leurs écarts types.

Cum hoc ergo propter hoc

Cum hoc ergo propter hoc (latin signifiant avec ceci, donc à cause de ceci) est un sophisme qui consiste à prétendre que si deux événements sont corrélés, alors, il y a un lien de cause à effet entre les deux. La confusion entre corrélation et causalité est appelée effet cigogne en zététique (en référence à la corrélation trompeuse entre le nombre de nids de cigognes et celui des naissances humaines) ; en science et particulièrement en statistique cette erreur est rappelée par la phrase « la corrélation n'implique pas la causalité », en latin : cum hoc sed non propter hoc (avec ceci, cependant pas à cause de ceci).

Afficher plus

Publications associées (19)

Afficher plus

Cross-correlation between a carbonyl C' chemical shift anisotropy and a long-range dipolar C'HA coupling in proteins using symmetrical reconversion

Chattez avec Graph Search

Microscopy of Cavity-Induced Density-Wave Ordering in Ultracold Gases

Structural reliability and ageing of multistage pumps during start-up: A fracture mechanics-based experimental assessment

Exploring Causal Information Bottleneck for Adversarial Defense