Insight into the Binding Mechanisms of Quartz-Selective Peptides: Toward Greener Flotation Processes
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide Mining practices, chiefly froth flotation, are being critically reassessed to replace their use of biohazardous chemical reagents in favor of biofriendly alternatives as a path toward green processes. In this regard, this study aimed at evaluating the interactions of peptides, as potential floatation collectors, with quartz using phage display and molecular dynamics (MD) simulations. Quartz-selective peptide sequences were initially identified by phage display at pH = 9 and further modeled by a robust simulation scheme combining classical MD, replica exchange MD, and steered MD calculations. Our residue-specific analyses of the peptides revealed that positively charged arginine and lysine residues were favorably attracted by the quartz surface at basic pH. The negatively charged residues at pH 9 (i.e., aspartic acid and glutamic acid) further showed affinity toward the quartz surface through electrostatic interactions with the positively charged surface-bound Na + ions. The best-binding heptapeptide combinations, however, contained both positively and negatively charged residues in their composition. The flexibility of peptide chains was also shown to directly affect the adsorption behavior of the peptide. While attractive intrapeptide interactions were dominated by a weak peptide–quartz binding, the repulsive self-interactions in the peptides improved the binding propensity to the quartz surface. Our results showed that MD simulations are fully capable of revealing mechanistic details of peptide adsorption to inorganic surfaces and are an invaluable tool to accelerate the rational design of peptide sequences for mineral processing applications.
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) | 0,000 | 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) | 0,001 | 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 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 ».