A novel high-throughput screen for identifying lipids that stabilise membrane proteins in detergent based solution
Notice bibliographique
Résumé
Membrane proteins have a range of crucial biological functions and are the target of about 60% of all prescribed drugs. For most studies, they need to be extracted out of the lipid-bilayer, e.g. by detergent solubilisation, leading to the loss of native lipids, which may disturb important protein-lipid/bilayer interactions and thus functional and structural integrity. Relipidation of membrane proteins has proven extremely successful for studying challenging targets, but the identification of suitable lipids can be expensive and laborious. Therefore, we developed a screen to aid the high-throughput identification of beneficial lipids. The screen covers a large lipid space and was designed to be suitable for a range of stability assessment methods. Here, we demonstrate its use as a tool for identifying stabilising lipids for three membrane proteins: a bacterial pyrophosphatase (Tm-PPase), a fungal purine transporter (UapA) and a human GPCR (A2AR). A2AR is stabilised by cholesteryl hemisuccinate, a lipid well known to stabilise GPCRs, validating the approach. Additionally, our screen also identified a range of new lipids which stabilised our test proteins, providing a starting point for further investigation and demonstrating its value as a novel tool for membrane protein research. The pre-dispensed screen will be made commercially available to the scientific community in future and has a number of potential applications in the 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».