Anion Effect on the Nanostructure of a Metal Ion Binding Self-Assembling Peptide
Notice bibliographique
Résumé
Effects of copper salts containing different anions (SO(4)(2)(-), Cl(-), and NO(3)(-)) on the self-assembly of a designed peptide EAK16(II)GGH with affinity for Cu(2+) have been investigated. The peptide secondary structure, self-assembled nanostructures, and surface activity were observed to depend strongly on the type of anion. Over a salt concentration range from 0.05 to 10.0 mM, SO(4)(2)(-) induced long fiber formation, whereas Cl(-) and NO(3)(-) caused short fiber formation. The fiber length increased with copper sulfate concentration, but the concentration of copper chloride and copper nitrate did not affect the peptide nanostructures significantly. Analysis by Fourier transform infrared spectroscopy (FTIR) revealed that the addition of the copper salts tended to cause the peptide conformation to change from alpha-helix/random coil to beta-sheet, the extent to which depended on the anion type. This evidence of the anion effect was also supported by surface tension measurements using the axisymmetric drop shape analysis-profile (ADSA-P) technique. An explanation for the effect of anions on the peptide self-assembly was proposed. The divalent anion SO(4)(2)(-) might serve as a bridge by electrostatically interacting with two lysine residues from different peptide molecules, promoting beta-sheet formation. The extensive beta-sheet formation may further promote peptide self-assembly into long fibers. On the other hand, monovalent anions Cl(-) and NO(3)(-) may only electrostatically interact with one charged residue of the peptide; hence, a mixed secondary structure of alpha-helix/random coil and beta-sheet was observed. This observation might explain the predominant formation of short fibers in copper chloride and copper nitrate solutions.
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 | 0,000 |
| 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) | 0,000 | 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 ».