High-throughput crystallography for rapid fragment growth from crude arrays by low-cost robotics
Notice bibliographique
Résumé
We demonstrate that a simple workflow of array synthesis, combining low-cost robotics with analytic techniques to deconvolute crude reaction mixtures, is an effective way to collect structural data on a binding site. Starting from the high information content of the crystallographic fragment screens on PHIP(2) (second bromodomain of the pleckstrin homology domain interacting protein), a collection of more than 1800 compounds was enumerated. Several thousand Crude Reaction Mixtures (CRMs) were synthesized on one robotic platform, an OpenTrons OT-1 liquid handler, using reaction sequences of up to 5 chemical steps. Analysis via MScheck, an algorithm-based system for finding an m/z in a CRM, significantly shortened product identification protocol times. 969 usable X-ray diffraction datasets were acquired, which resolved as 22 reaction products binding to the protein, 19 with conserved poses relative to the original fragment and 3 with a new, unexpected binding pose. The 22 crystallographic hit compounds were subsequently tested with peptide displacement alpha-screen assay and time-resolved grating-coupled interferometry-based biosensor assays, which confirmed one molecule with an IC50 = 34 μM and KD = 50 μM, from an inactive fragment. The procedures described are entirely formulaic and engineerable and the method is eminently scalable. We anticipate that this cheap, low solvent-use approach will yield vast amounts of data, enabling rapid structural SAR landscape exploration around fragments, leading to faster fragment-to-lead times.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».