MétaCan
Menu
Retour à la cohorte
Enregistrement W1989019856 · doi:10.1021/cm020768d

Using Sugar and Amino Acid Additives to Stabilize Enzymes within Sol−Gel Derived Silica

2003· article· en· W1989019856 sur OpenAlexaff
John D. Brennan, Dalia Benjamin, Emily R. DiBATTISTA, Makedonka D. Gulcev

Notice bibliographique

RevueChemistry of Materials · 2003
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueEnzyme Catalysis and Immobilization
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésOsmolyteChemistryThermal stabilitySorbitolEnzymeSilica gelBiochemistryChemical engineeringChromatographyOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

The inclusion of additives during the immobilization of proteins into sol−gel processed materials has been widely explored as a route to stabilize proteins against the denaturing stresses encountered upon entrapment. In this report, we explore the effects of sorbitol and N -methylglycine (collectively referred to as osmolytes) on both the conformational stability and biological activity of the enzymes α-chymotrypsin and ribonuclease T1 in solution and when entrapped into sol−gel derived silica. In each case, the encapsulation of the enzymes into sol−gel derived silica in the absence of additives led to a moderate decrease in the thermodynamic stability of the proteins. However, entrapment in the presence of the osmolytes produced significant increases in the thermal stability and biological activity of the encapsulated proteins. We show that the observed enhancements in enzyme stability are likely based on a combination of increases in the pore size of the silica material (which improves substrate delivery and thus activity) and changes in the thermal stability of the entrapped enzymes in the presence of osmolytes. Our results suggest that these additives stabilize the two proteins by altering the hydration of the entrapped protein, hence this stabilization method may prove to be applicable to a wide variety of proteins.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
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: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,002

Scores du classifieur distillé par catégorie (deux têtes)

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

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,254
Écart entre enseignants0,237 · 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

Citations86
Publié2003
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueChemistry of MaterialsMême sujetEnzyme Catalysis and ImmobilizationTravaux en français237 207