Multi-temperature experiments to ease analysis of heterogeneous binder solutions by surface plasmon resonance biosensing
Notice bibliographique
Résumé
Surface Plasmon Resonance (SPR) biosensing is a well-established tool for the investigation of binding kinetics between a soluble species and an immobilized (bio)molecule. While robust and accurate data analysis techniques are readily available for single species, methods to exploit data collected with a solution containing multiple interactants are scarce. In a previous study, our group proposed two data analysis algorithms for (1) the precise and reliable identification of the kinetic parameters of N interactants present at different ratios in N mixtures and (2) the estimation of the composition of a given mixture, assuming that the kinetic parameters and the total concentration of all interactants are known. Here, we extend the first algorithm by reducing the number of necessary mixtures. This is achieved by conducting experiments at different temperatures. Through the Van't Hoff and Eyring equations, identifying the kinetic and thermodynamic parameters of N binders becomes possible with M mixtures with M comprised between 2 and N and at least N/M temperatures. The second algorithm is improved by adding the total analyte concentration as a supplementary variable to be identified in an optimization routine. We validated our analysis framework experimentally with a system consisting of mixtures of low molecular weight drugs, each competing to bind to an immobilized protein. We believe that the analysis of mixtures and composition estimation could pave the way for SPR biosensing to become a bioprocess monitoring tool, on top of expanding its already substantial role in drug discovery and development.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».