Notice bibliographique
Résumé
The ability to routinely engineer protease specificity can allow us to better understand and modulate their biology for expanded therapeutic and industrial applications. Here, we report a new approach based on a caged green fluorescent protein (CA-GFP) reporter that allows for flow-cytometry-based selection in bacteria or other cell types enabling selection of intracellular protease specificity, regardless of the compositional complexity of the protease. Here, we apply this approach to introduce the specificity of caspase-6 into caspase-7, an intracellular cysteine protease important in cellular remodeling and cell death. We found that substitution of substrate-contacting residues from caspase-6 into caspase-7 was ineffective, yielding an inactive enzyme, whereas saturation mutagenesis at these positions and selection by directed evolution produced active caspases. The process produced a number of nonobvious mutations that enabled conversion of the caspase-7 specificity to match caspase-6. The structures of the evolved-specificity caspase-7 (esCasp-7) revealed alternate binding modes for the substrate, including reorganization of an active site loop. Profiling the entire human proteome of esCasp-7 by N-terminomics demonstrated that the global specificity toward natural protein substrates is remarkably similar to that of caspase-6. Because the esCasp-7 maintained the core of caspase-7, we were able to identify a caspase-6 substrate, lamin C, that we predict relies on an exosite for substrate recognition. These reprogrammed proteases may be the first tool built with the express intent of distinguishing exosite dependent or independent substrates. This approach to specificity reprogramming should also be generalizable across a wide range of proteases.
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 | 0,001 | 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».