Gentle, fast and effective crystal soaking by acoustic dispensing
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The steady expansion in the capacity of modern beamlines for high-throughput data collection, enabled by increasing X-ray brightness, capacity of robotics and detector speeds, has pushed the bottleneck upstream towards sample preparation. Even in ligand-binding studies using crystal soaking, the experiment best able to exploit beamline capacity, a primary limitation is the need for gentle and nontrivial soaking regimens such as stepwise concentration increases, even for robust and well characterized crystals. Here, the use of acoustic droplet ejection for the soaking of protein crystals with small molecules is described, and it is shown that it is both gentle on crystals and allows very high throughput, with 1000 unique soaks easily performed in under 10 min. In addition to having very low compound consumption (tens of nanolitres per sample), the positional precision of acoustic droplet ejection enables the targeted placement of the compound/solvent away from crystals and towards drop edges, allowing gradual diffusion of solvent across the drop. This ensures both an improvement in the reproducibility of X-ray diffraction and increased solvent tolerance of the crystals, thus enabling higher effective compound-soaking concentrations. The technique is detailed here with examples from the protein target JMJD2D, a histone lysine demethylase with roles in cancer and the focus of active structure-based drug-design efforts.
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.
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 | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| 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 découle