Interaction of Trivalent Arsenicals with Metallothionein
Notice bibliographique
Résumé
Arsenic is a human carcinogen, causing skin, bladder, and lung cancers. Although arsenic in drinking water affects millions of people worldwide, the mechanism(s) of action by which arsenic causes cancers is not known. Arsenic probably exerts some toxic effects by binding with proteins. However, few experimental data are available on arsenic-containing proteins in biological systems. This study reports on arsenic interaction with metallothionein and established binding stoichiometries between metallothionein and the recently discovered trivalent metabolites of arsenic metabolism. Size exclusion chromatography with inductively coupled plasma mass spectrometry analysis of reaction mixtures between trivalent arsenicals and metallothionein clearly demonstrated the formation of complexes of arsenic with metallothionein. Analysis of the complexes using electrospray quadrupole time-of-flight tandem mass spectrometry revealed the detailed binding stoichiometry between arsenic and the 20 Cys residues in the metallothionein molecule. Inorganic arsenite (As(III)) and its two trivalent methylation metabolites, monomethylarsonous acid (MMA(III)) and dimethylarsinous acid (DMA(III)), readily bind with metallothionein. Each metallothionein molecule could bind with up to six As(III), 10 MMA(III), and 20 DMA(III) molecules, consistent with the coordination chemistry of these arsenicals. The findings on arsenic interaction with proteins are useful for a better understanding of arsenic health effects.
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 | 0,001 | 0,001 |
| 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) | 0,002 | 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 ».