Pressure-Based Approach for the Analysis of Protein Adsorption in Capillary Electrophoresis
Notice bibliographique
Résumé
Protein adsorption to inner capillary walls creates a major obstacle in all applications of capillary electrophoresis involving protein samples. The problem is especially severe in kinetic capillary electrophoresis (KCE) techniques, which are used to study protein-ligand interactions at physiological conditions and, thus, cannot utilize extreme pH. A variety of coatings exist to reduce protein adsorption in CE, each expressing a unique surface chemistry that interacts with individual proteins differently. Here we introduce a simple pressure-based method for the qualitative assessment of protein adsorption that can facilitate the direct antiadhesive ranking of several coatings toward a protein of interest. In this approach, a short plug of the protein is injected into a capillary and propagated through with a pressure low enough to ensure adequate Taylor dispersion. The experiment is performed with a nonmodified commercial instrument in a pseudo-two-detector approach. The two detectors are mimicked by using two different distances from the capillary inlet to a single detector. If the peak area and shape do not change with changing distance, the protein does not adsorb appreciably, while a decreasing peak area with increasing distance infers inner surface adsorption. The magnitude change of the peak area between the two distances along with the overall peak shape is used to gauge the extent of protein adsorption. By using this method, we ranked antiadhesive properties of different wall chemistries for a series of proteins. The described method will be useful for optimizing protein analysis by CE and, in particular, for KCE experiments that investigate how proteins interact with their respective ligands.
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 | 0,001 |
| 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 ».