Optimizing Epitope Conformational Ensembles Using α-Synuclein Cyclic Peptide “Glycindel” Scaffolds: A Customized Immunogen Method for Generating Oligomer-Selective Antibodies for Parkinson’s Disease
Notice bibliographique
Résumé
Effectively presenting epitopes on immunogens, in order to raise conformationally selective antibodies through active immunization, is a central problem in treating protein misfolding diseases, particularly neurodegenerative diseases such as Alzheimer’s disease or Parkinson’s disease. We seek to selectively target conformations enriched in toxic, oligomeric propagating species while sparing the healthy forms of the protein that are often more abundant. To this end, we computationally modeled scaffolded epitopes in cyclic peptides by inserting/deleting a variable number of flanking glycines (“glycindels”) to best mimic a misfolding-specific conformation of an epitope of α-synuclein enriched in the oligomer ensemble, as characterized by a region most readily disordered and solvent-exposed in a stressed, partially denatured protofibril. We screen and rank the cyclic peptide scaffolds of α-synuclein in silico based on their ensemble overlap properties with the fibril, oligomer-model and isolated monomer ensembles. We present experimental data of seeded aggregation that support nucleation rates consistent with computationally predicted cyclic peptide conformational similarity. We also introduce a method for screening against structured off-pathway targets in the human proteome by selecting scaffolds with minimal conformational similarity between their epitope and the same solvent-exposed primary sequence in structured human proteins. Different cyclic peptide scaffolds with variable numbers of glycines are predicted computationally to have markedly different conformational ensembles. Ensemble comparison and overlap were quantified by the Jensen–Shannon divergence and a new measure introduced here, the embedding depth, which determines the extent to which a given ensemble is subsumed by another ensemble and which may be a more useful measure in developing immunogens that confer conformational selectivity to an antibody.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 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 ».