High-Throughput Screening for Enzyme Inhibitors Using Frontal Affinity Chromatography with Liquid Chromatography and Mass Spectrometry
Notice bibliographique
Résumé
This work presents new frontal affinity chromatography (FAC) methodologies for high-throughput screening of compound libraries, designed to increase screening rates and improve sensitivity and ruggedness in performance. A FAC column constructed around the enzyme N-acetylglucosaminyltransferase V (GnT-V) was implemented in the identification of potential enzyme inhibitors from two libraries of trisaccharides. Effluent from the FAC column was fractionated, sequentially processed via LC/MS, and referenced to a similar analysis through a control FAC column lacking the enzyme. The resulting multidimensional data sets were compared across corresponding sample and control fractions to identify binders, in a semiautomated approach. A strong binder in the protonated form at m/z 795 was identified from the first library of 81 compounds, exhibiting an estimated Kd value of 0.3 microM. Other binders yielded Kd values ranging from 0.35 to 3.35 microM. To demonstrate the improvement in performance of this FAC-LC/MS approach over the conventional online FAC/MS approach, 15 compounds from this library were blended with a second library of 1000 synthetic trisaccharides and screened against GnT-V. All ligands in the 15-compound set were identified in this larger screen, and no ligands of greater affinity than compound 1 were found. Our results show that FAC-LC/MS is a reliable method for screening large compound libraries directly and useful for large-scale ligand discovery initiatives.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».