Identification of ice-binding peptide sequences from genetically-encoded phage libraries
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Ice-binding peptides are small molecules capable of exerting control over ice nucleation. They are of interest in in areas ranging from medically important problems such as cryosurgery on tumours and preservation of transplant organs, to more concrete everyday applications such as snowmaking or de-icing of roads. In this project, we aim to identify glycopeptides capable of inducing ice nucleation. To our knowledge, no ice-nucleating peptides have yet been identified. Taking inspiration from an approach used in the literature for the purification of antifreeze proteins from a mixed solution, we developed a phage-display technique allowing for the selection of ice-binding peptides from a naive library. In this method, a test tube chilled to -25°C is placed into a phage-containing solution. Ice builds around the test tube, integrating phage that display ice-binding peptides as it grows. Through multiple freezing rounds, we are able to narrow the selected population from 10^12 pfu to 10^2 pfu in five rounds. We present preliminary selection results from the SXCX3C library. Through these results, we wish to demonstrate a selection method applicable in a challenging system where the target (ice) must be able to be distinguished from the surrounding liquid. In addition, we have constructed a freezing platform capable of validating ice-nucleating properties, and model the process with gold slides coated with alkanethiol SAMs (self-assembled monolayers). Our next steps will be to synthesize and evaluate the ice-nucleating properties of peptide hits to identify the peptides that exhibit a statistically significant influence on ice nucleation temperature. * Indicates faculty mentor.
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.
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 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle