<i>p</i>‐Azidophenylarsenoxide: An Arsenical “Bait” for the In Situ Capture and Identification of Cellular Arsenic‐Binding Proteins
Notice bibliographique
Résumé
Identification of arsenic-binding proteins is important for understanding arsenic health effects and for developing arsenic-based therapeutics. We report here a strategy for the capture and identification of arsenic-binding proteins in living cells. We designed an azide-labeled arsenical, p-azidophenylarsenoxide (PAzPAO), to serve bio-orthogonal functions: the trivalent arsenical group binds to cellular proteins in situ, and the azide group facilitates click chemistry with dibenzylcyclooctyne. The selective and efficient capture of arsenic-binding proteins enables subsequent enrichment and identification by shotgun proteomics. Applications of the technique are demonstrated using the A549 human lung carcinoma cells and two in vitro model systems. The technique enables the capture and identification of 48 arsenic-binding proteins in A549 cells incubated with PAzPAO. Among the identified proteins are a series of antioxidant proteins (e.g., thioredoxin, peroxiredoxin, peroxide reductase, glutathione reductase, and protein disulfide isomerase) and glyceraldehyde-3-phosphate dehydrogenase. Identification of these functional proteins, along with studies of arsenic binding and enzymatic inhibition, points to these proteins as potential molecular targets that play important roles in arsenic-induced health effects and in cancer treatment.
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 ».