Therapeutic potential of metal ions for COVID-19: insights from the papain-like protease of SARS-CoV-2
Notice bibliographique
Résumé
Coronaviruses have been responsible for multiple challenging global pandemics, including coronavirus disease 2019 (COVID-19), which is caused by severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2). Papain-like protease (PLpro), one of two cysteine proteases responsible for the maturation and infectivity of SARS-CoV-2, processes and liberates functional proteins from the viral polyproteins and cleaves ubiquitin and ISG15 modifications to inhibit innate immune sensing. Consequently, PLpro is an attractive target for developing COVID-19 therapies. PLpro contains a zinc-finger domain important for substrate binding and structural stability. However, the impact of metal ions on the activity and biophysical properties of SARS-CoV-2 PLpro has not been comprehensively studied. Here, we assessed the impacts of metal ions on the catalytic activity of PLpro. Zinc had the largest inhibitory effect on PLpro, followed by manganese. Calcium, magnesium, and iron had smaller or no effects on PLpro activity. EDTA at a concentration of 0.5 mM was essential for PLpro activity, likely by chelating trace metals that inhibit PLpro. IC50 values for ZnCl2, ZnSO4, and MnCl2 of 0.42 ± 0.02 mM, 0.35 ± 0.01 mM, and 2.6 ± 0.3 mM were obtained in the presence of 0.5 mM EDTA; in the absence of EDTA, the estimated IC50 of ZnCl2 was 14 µM. Tryptophan intrinsic fluorescence analysis confirmed the binding of zinc and manganese to PLpro, and differential scanning calorimetry revealed that zinc but not manganese reduced ΔHcal of PLpro. The results of this study provide a reference for further work targeting PLpro to prevent and treat COVID-19.
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 | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».