Charge and Peptide Concentration as Determinants of the Hydrogel Internal Aqueous Environment
Notice bibliographique
Résumé
Self-assembling peptides are a promising class of biomaterials with desirable biocompatibility and versatility. In particular, the oligopeptide (RADA)₄, consisting of arginine (R), alanine (A), and aspartic acid (D), self-assembles into nanofibers that develop into a three-dimensional hydrogel of up to 99.5% (w/v) water; yet, the organization of water within the hydrogel matrix is poorly understood. Importantly, peptide concentration and polarity are hypothesized to control the internal water structure. Using variable temperature deuterium solid-state nuclear magnetic resonance (²H NMR) spectroscopy, we measured the amount of bound water in (RADA)₄-based hydrogels, quantified as the non-frozen water content. To investigate how peptide polarity affects water structure, five lysine (K) moieties were appended to (RADA)₄ to generate (RADA)₄K₅. Hydrogels at 1 and 5% total peptide concentration were prepared from a 75:25 (w/w) blend of (RADA)₄:(RADA)₄K₅ and similarly analyzed by ²H NMR. Interestingly, at 5% peptide concentration, there was lower mobile water content in the lysinated versus the pristine (RADA)₄ hydrogel. Regardless of the presence of lysine, the 5% peptide concentration had higher non-frozen water content at temperatures as low as 217 ± 1.0 K, suggesting that bound water increases with peptide concentration. The bound water, though non-frozen, may be strongly bound to the charged lysine moiety to appear as immobilized water. Further understanding of the factors controlling water structure within hydrogels is important for tuning the transport properties of bioactive solutes in the hydrogel matrix when designing for biomedical applications.
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 | 0,000 |
| 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) | 0,006 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».