An automated materials screening approach for the development of sol–gel derived monolithic silica enzyme reactor columns
Notice bibliographique
Résumé
Fabrication of monolithic protein-doped capillary columns was reported almost 10 years ago. These columns were derived from a diglycerylsilane precursor, however this material is not commercially available, is difficult to produce in large quantities and has very short phase separation and gelation times, which leads to issues with column reproducibility. Herein, we investigate the use of sodium silicate (SS), a commercially available biofriendly sol–gel precursor, for the fabrication of bimodal meso/macroporous protein-doped monolithic silica columns that are suitable for immobilized enzyme reactor (IMER) assays. Using an automated liquid handler and platereader, a hierarchical materials screening approach was applied to ∼1400 formulations, from which we have identified materials with long gelation times that can form robust bimodal meso/macroporous materials suitable for fabrication of monolithic silica columns. A subset of these materials was observed to have good chromatographic behavior (appropriate backpressure and good stability). A secondary screen around lead materials was performed to identify optimal materials for fabrication of IMER columns. These materials were tested for leaching and activity of immobilized acetylcholine esterase to identify an optimal material for IMER column fabrication. The optimal material was formed from 2% (w/v) silica which was combined with 1.25% PEG 600 at pH 6.4 in 100 mM TRIS buffer. Such columns showed reproducible IMER performance and were able to quantitatively measure the inhibition of immobilized AChE by galanthamine with an inhibition constant of 175 ± 5 nM, which is in excellent agreement with the literature value.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».