MétaCan
Menu
Retour à la cohorte
Enregistrement W2314519488 · doi:10.1021/acsami.5b01954

Inhibiting the VIM-2 Metallo-β-Lactamase by Graphene Oxide and Carbon Nanotubes

2015· article· en· W2314519488 sur OpenAlexafffund
Po‐Jung Jimmy Huang, Rachel Pautler, Jenitta Shanmugaraj, Geneviève Labbé, Juewen Liu

Notice bibliographique

RevueACS Applied Materials & Interfaces · 2015
Typearticle
Langueen
DomaineEngineering
ThématiqueGraphene and Nanomaterials Applications
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanadian Institutes of Health Research
Mots-clésGrapheneMaterials scienceCarbon nanotubeOxideRational designAdsorptionBovine serum albuminNanotechnologyNanomaterialsBiomoleculeBiosensorMoleculeOrganic chemistryChemistryBiochemistry

Résumé

récupéré en direct d'OpenAlex

Metallo-β-lactamases (MBLs) degrade a broad spectrum of antibiotics including the latest carbapenems. So far, limited success has been achieved in developing its inhibitors using small organic molecules. VIM-2 is one of the most studied and important MBLs. In this work, we screened 10 nanomaterials, covering a diverse range of surface properties including charge, hydrophobicity, and specific chemical bonding. Among these, graphene oxide and carbon nanotubes are the most potent inhibitors, while most other materials do not show much inhibition effect. The inhibition is noncompetitive and is attributed to the hydrophobic interaction with the enzyme. Adsorption of VIM-2 was further probed using protein displacement assays where it cannot displace or be displaced by bovine serum albumin (BSA). This information is useful for rational design inhibitors for MBLs and more specific inhibition might be achieved by further surface modifications on these nanocarbons.

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 enseignants0,003
Score d'incertitude au seuil0,940

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 Opus0,011
Tête enseignante GPT0,202
Écart entre enseignants0,191 · 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

Citations27
Publié2015
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueACS Applied Materials & InterfacesMême sujetGraphene and Nanomaterials ApplicationsTravaux en français237 207