MétaCan
Menu
Retour à la cohorte
Enregistrement W1980349612 · doi:10.1021/ac060144h

Selection of Smart Aptamers by Methods of Kinetic Capillary Electrophoresis

2006· article· en· W1980349612 sur OpenAlexafffund
Andrei P. Drabovich, Maxim V. Berezovski, Victor Okhonin, Sergey N. Krylov

Notice bibliographique

RevueAnalytical Chemistry · 2006
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueAdvanced biosensing and bioanalysis techniques
Établissements canadiensYork University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésChemistryCapillary electrophoresisAptamerSelection (genetic algorithm)ChromatographyKinetic energyMolecular biologyArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

We coin the term "smart aptamers" -- aptamers with predefined binding parameters (k(on), k(off), Kd) of aptamer-target interaction. Aptamers, in general, are oligonucleotides, which are capable of binding target molecules with high affinity and selectivity. They are considered as potential therapeutic targets and also thought to rival antibodies in immunoassay-like analyses. Aptamers are selected from combinatorial libraries of oligonucleotides by affinity methods. Until now, technological limitations have precluded the development of smart aptamers. Here, we report on two kinetic capillary electrophoresis techniques applicable to the selection of smart aptamers. Equilibrium capillary electrophoresis of equilibrium mixtures was used to develop aptamers with predefined equilibrium dissociation constants (Kd), while nonequilibrium capillary electrophoresis of equilibrium mixtures facilitated selection of aptamers with different dissociation rate constants (k(off)). Selections were made for MutS protein, for which aptamers have never been previously developed. Both theoretical and practical aspects of smart aptamer development are presented, and the advantages of this new type of affinity probes are described.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,005
Tête enseignante GPT0,281
Écart entre enseignants0,276 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations130
Publié2006
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAnalytical ChemistryMême sujetAdvanced biosensing and bioanalysis techniquesTravaux en français237 207