A Nanomechanical Study on Deciphering the Stickiness of SARS-CoV-2 on Inanimate Surfaces
Notice bibliographique
Résumé
The SARS-CoV-2 virus that causes the COVID-19 epidemic can be transmitted via respiratory droplet-contaminated surfaces or fomites, which urgently requires a fundamental understanding of intermolecular interactions of the coronavirus with various surfaces. The corona-like component of the outer surface of the SARS-CoV-2 virion, named spike protein, is a key target for the adsorption and persistence of SARS-CoV-2 on various surfaces. However, a lack of knowledge in intermolecular interactions between spike protein and different substrate surfaces has resulted in ineffective preventive measures and inaccurate information. Herein, we quantified the surface interaction and adhesion energy of SARS-CoV-2 spike protein with a series of inanimate surfaces via atomic force microscopy under a simulated respiratory droplet environment. Among four target surfaces, polystyrene was found to exhibit the strongest adhesion, followed by stainless steel (SS), gold, and glass. The environmental factors (e.g., pH and temperature) played a role in mediating the spike protein binding. According to systematic quantification on a series of inanimate surfaces, the adhesion energy of spike protein was found to be (i) 0–1 mJ/m2 for hydrophilic inorganics (e.g., silica and glass) due to the lack of hydrogen bonding, (ii) 2–9 mJ/m2 for metals (e.g., alumina, SS, and copper) due to the variation of their binding capacity, and (iii) 6–11 mJ/m2 for hydrophobic polymers (e.g., medical masks, safety glass, and nitrile gloves) due to stronger hydrophobic interactions. The quantitative analysis of the nanomechanics of spike proteins will enable a protein–surface model database for SARS-CoV-2 to help generate effective preventive strategies to tackle the epidemic.
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) | 0,001 | 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 ».