Quantitative MS-based enzymology of caspases reveals distinct protein substrate specificities, hierarchies, and cellular roles
Notice bibliographique
Résumé
Proteases constitute the largest enzyme family, yet their biological roles are obscured by our rudimentary understanding of their cellular substrates. There are 12 human caspases that play crucial roles in inflammation and cell differentiation and drive the terminal stages of cell death. Recent N-terminomics technologies have begun to enumerate the diverse substrates individual caspases can cleave in complex cell lysates. It is clear that many caspases have shared substrates; however, few data exist about the catalytic efficiencies (kcat/KM) of these substrates, which is critical to understanding their true substrate preferences. In this study, we use quantitative MS to determine the catalytic efficiencies for hundreds of natural protease substrates in cellular lysate for two understudied members: caspase-2 and caspase-6. Most substrates are new, and the cleavage rates vary up to 500-fold. We compare the cleavage rates for common substrates with those found for caspase-3, caspase-7, and caspase-8, involved in apoptosis. There is little correlation in catalytic efficiencies among the five caspases, suggesting each has a unique set of preferred substrates, and thus more specialized roles than previously understood. We synthesized peptide substrates on the basis of protein cleavage sites and found similar catalytic efficiencies between the protein and peptide substrates. These data suggest the rates of proteolysis are dominated more by local primary sequence, and less by the tertiary protein fold. Our studies highlight that global quantitative rate analysis for posttranslational modification enzymes in complex milieus for native substrates is critical to better define their functions and relative sequence of events.
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 | 0,001 |
| 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 ».