The Structural Dynamics of Engineered β-Lactamases Vary Broadly on Three Timescales yet Sustain Native Function
Notice bibliographique
Résumé
Understanding the principles of protein dynamics will help guide engineering of protein function: altering protein motions may be a barrier to success or may be an enabling tool for protein engineering. The impact of dynamics on protein function is typically reported over a fraction of the full scope of motional timescales. If motional patterns vary significantly at different timescales, then only by monitoring motions broadly will we understand the impact of protein dynamics on engineering functional proteins. Using an integrative approach combining experimental and in silico methodologies, we elucidate protein dynamics over the entire span of fast to slow timescales (ps to ms) for a laboratory-engineered system composed of five interrelated β-lactamases: two natural homologs and three laboratory-recombined variants. Fast (ps-ns) and intermediate (ns-µs) dynamics were mostly conserved. However, slow motions (µs-ms) were few and conserved in the natural homologs yet were numerous and widely dispersed in their recombinants. Nonetheless, modified slow dynamics were functionally tolerated. Crystallographic B-factors from high-resolution X-ray structures were partly predictive of the conserved motions but not of the new slow motions captured in our solution studies. Our inspection of protein dynamics over a continuous range of timescales vividly illustrates the complexity of dynamic impacts of protein engineering as well as the functional tolerance of an engineered enzyme system to new slow motions.
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 ».