Ultrashort self‐assembling Fmoc‐peptide gelators for anti‐infective biomaterial applications
Notice bibliographique
Résumé
Biomaterial-related infections have a significant impact on society and are a major contributor to the growing threat of antimicrobial resistance. Current licensed antibiotic classes struggle to breakdown or penetrate the exopolysaccharide biofilm barrier, resulting in sub-therapeutic concentrations of antibiotic at the surface of the biomaterial, treatment failure and increased spread of resistant isolates. This paper focuses for the first time on the ability of ultrashort Fmoc-peptide gelators to eradicate established bacterial biofilms implicated in a variety of medical device infections (Gram-positive: Staphylococcus aureus, Staphylococcus epidermidis and Gram-negative Escherichia coli, Pseudomonas aeruginosa). The effect of increasing the cationicity of FmocFF via addition of di-lysine and di-orntithine was also studied with regard to antibacterial activity. Our studies demonstrated that Fmoc-peptides (FmocFF, FmocFFKK, FmocFFFKK, FmocFFOO) formed surfactant-like soft gels at concentrations of 1% w/v and above using a method of glucono-δ-Lactone pH induction. The majority of Fmoc-peptides (0.5-2% w/v) demonstrated selective action against established (grown for 24 h) biofilms of Gram-positive and Gram-negative pathogens. These results are likely to increase the clinical translation of short-peptide gelator platforms within the area of anti-infective biomaterials including as wound dressings and coatings for prostheses, catheters, heart valves and surgical tubes. In the long term, this will lead to wider treatment choices for clinicians and patients involved in the management of medical device infections and reduce the burden of antimicrobial resistance. Copyright © 2017 European Peptide Society and John Wiley & Sons, Ltd.
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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,003 | 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 ».