MétaCan
Menu
Retour à la cohorte
Enregistrement W2028851272 · doi:10.1021/ac302047e

DNase-Mediated Single-Cycle Selection of Aptamers for Proteins Blotted on a Membrane

2012· article· en· W2028851272 sur OpenAlexafffund
Yanming Liu, Chuan Wang, Feng Li, Shengwen Shen, D. Lorne Tyrrell, X. Chris Le, Xing‐Fang Li

Notice bibliographique

RevueAnalytical Chemistry · 2012
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueAdvanced biosensing and bioanalysis techniques
Établissements canadiensUniversity of Alberta
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanadian Institutes of Health Research
Mots-clésChemistryAptamerSelection (genetic algorithm)Membrane proteinMembraneBiophysicsChromatographyBiochemistryComputational biologyMolecular biologyArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

We describe a single-cycle DNA aptamer selection strategy that is able to obtain high affinity aptamers (K(d) of sub-nM) directly from a protein blotted on membrane. The key to the success of this strategy is the unique use of DNase I digestion to remove unwanted ssDNA from the membrane, leaving only the strongest bound aptamers. A crude Hepatitis B virus core protein (HBcAg) was separated using polyacrylamide gel electrophoresis (PAGE) and electro-blotted onto a polyvinylidene fluoride (PVDF) membrane. The membrane strip containing HBcAg and a second membrane strip containing human serum proteins were coincubated with a ssDNA library consisting of ∼10 copies each of 10(15) random sequences. Unbound and weakly bound sequences were efficiently removed from the membrane containing HBcAg using DNase I digestion and gradient wash with urea buffers. The remaining ssDNA bound to the target consisted of approximately 500 molecules, from which two aptamers with high affinity (K(d) ∼100 and 200 pM) were identified. This technique can be potentially used for selection of aptamers directly from multiple proteins that are separated by gel electrophoresis from a biological mixture.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,004
Score d'incertitude au seuil0,581

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
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 Opus0,014
Tête enseignante GPT0,271
Écart entre enseignants0,257 · 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 tête enseignante, 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

Citations39
Publié2012
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAnalytical ChemistryMême sujetAdvanced biosensing and bioanalysis techniquesTravaux en français237 207