Self-Assembly of Cysteine Dimers at the Gold Surface: A Computational Study of Competing Interactions
Notice bibliographique
Résumé
The only proteinogenic acid with a mercapto group, cysteine is the main participant in the binding of proteins and peptides to the surfaces of noble metals. A chiral molecule, it becomes a major player in surface patterning for chiral amplification, biosensing, and chiral catalysis. Here, we examine the interplay of molecule–surface and molecule–molecule interactions in the self-assembly process of monomers, dimers, and trimers of l -cysteine on a (1 × 2)-reconstructed Au(110) surface, and the implications for chiral recognition. Multiple adsorbed configurations of l -cysteine and l -cysteinate in neutral and zwitterionic forms were generated using molecular dynamics simulations, serving as starting points for further density functional theory (DFT)-based optimizations. We found that binding for both monomers and dimers was stronger at kink sites formed on the surface during the chemisorption process, and was unlikely to occur along the highly coordinated trough sites. In this, DFT calculations disagreed with MD simulations using centrosymmetric potentials, which tended to maximize coordination of the adsorbate groups, and ignore differences in reactivity of the various Au sites, unless specifically included in the force field. Kink-site bound homochiral l -cysteine dimers were particularly stable relative to both heterochiral and trimer structures, while molecules more weakly bound at more stable surface locations did not exhibit chiral recognition. If barriers to the diffusion of Au atoms along the surface can be overcome, the four-atom vacancy structures proposed by Kuhnle et al. ( Nature 2002, 415, 891) provide reactive kink sites, ideally spaced for binding homochiral cysteinate dimers, with highly stable COOH-based hydrogen bonding.
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) | 0,000 | 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 ».