Investigation of the antimicrobial activity of soy peptides by developing a high throughput drug screening assay
Notice bibliographique
Résumé
Antimicrobial resistance is a great concern in the medical community, as well as food industry. Soy peptides were tested against bacterial biofilms for their antimicrobial activity. A high throughput drug screening assay was developed using microfluidic technology, RAMAN spectroscopy, and optical microscopy for rapid screening of antimicrobials and rapid identification of pathogens. Synthesized PGTAVFK and IKAFKEATKVDKVVVLWTA soy peptides were tested against Pseudomonas aeruginosa and Listeria monocytogenes using a microdilution assay. Microfluidic technology in combination with Surface Enhanced RAMAN Spectroscopy (SERS) and optical microscopy was used for rapid screening of soy peptides, pathogen identification, and to visualize the impact of selected peptides. The PGTAVFK peptide did not significantly affect P. aeruginosa, although it had an inhibitory effect on L. monocytogenes above a concentration of 625 µM. IKAFKEATKVDKVVVLWTA was effective against both P. aeruginosa and L. monocytogenes above a concentration of 37.2 µM. High throughput drug screening assays were able to reduce the screening and bacterial detection time to 4 h. SERS spectra was used to distinguish the two bacterial species. PGTAVFK and IKAFKEATKVDKVVVLWTA soy peptides showed antimicrobial activity against P. aeruginosa and L. monocytogenes. Development of high throughput assays could streamline the drug screening and bacterial detection process. The results of this study show that the antimicrobial properties, biocompatibility, and biodegradability of soy peptides could possibly make them an alternative to the ineffective antimicrobials and antibiotics currently used in the food and medical fields. High throughput drug screening assays could help hasten pre-clinical trials in the medical field.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».