Gentle, fast and effective crystal soaking by acoustic dispensing
Notice bibliographique
Résumé
Synopsis A high-throughput method is described for crystal soaking using acoustic droplet ejection, and its effectiveness demonstrated. Abstract Bright light sources, agile robotics, and fast detectors are continually reducing the time it takes to perform an X-ray diffraction experiment, making high throughput experiments more feasible than ever. But this is also pushing the upstream bottleneck towards sample preparation, even for robust and well characterised crystal systems. Crystal soaking is routinely used to generate protein-ligand complex structures, yet protein crystals are often sensitive to changes in solvent composition, and frequently require gentle or careful stepwise soaking techniques, limiting overall throughput. Here, we describe the use of acoustic droplet ejection for soaking of protein crystals with small molecules, and show that it is both gentle on crystals and allows very high throughput, with 1000 unique soaks easily performed in under 10 minutes. In addition to having very low compound consumption (tens of nanolitres per sample), the positional precision of acoustic droplet ejection enables targeted placement of the compound/solvent away from crystals and towards drop edges, allowing for gradual diffusion of solvent across the drop. This ensures both an improvement in reproducibility of X-ray diffraction and an increased solvent tolerance of the crystals, thus enabling higher effective compound soaking concentrations. We detail the technique here with examples from the protein target JMJD2D, a histone lysine demethylase, having 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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,004 |
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 ».