The ARiBo tag: a reliable tool for affinity purification of RNAs under native conditions
Notice bibliographique
Résumé
Although RNA-based biological processes and therapeutics have gained increasing interest, purification of in vitro transcribed RNA generally relies on gel-based methods that are time-consuming, tedious and denature the RNA. Here, we present a reliable procedure for affinity batch purification of RNA, which exploits the high-affinity interaction between the boxB RNA and the N-peptide from bacteriophage λ. The RNA of interest is synthesized with an ARiBo tag, which consists of an activatable ribozyme (the glmS ribozyme) and the λBoxB RNA. This ARiBo-fusion RNA is initially captured on Glutathione-Sepharose resin via a GST/λN-fusion protein, and the RNA of interest is subsequently eluted by ribozyme self-cleavage using glucosamine-6-phosphate. Several GST/λN-fusion proteins and ARiBo tags were tested to optimize RNA yield and purity. The optimized procedure enables one to quickly obtain (3 h) highly pure RNA (>99%) under native conditions and with yields comparable to standard denaturing gel-based protocols. It is widely applicable to a variety of RNAs, including riboswitches, ribozymes and microRNAs. In addition, it can be easily adapted to a wide range of applications that require RNA purification and/or immobilization, including isolation of RNA-associated complexes from living cells and high-throughput applications.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,007 |
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 source (Gemma direct ou Codex distillé), 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 ».