Absolute Affinities from Quantitative Shotgun Glycomics Using Concentration-Independent (COIN) Native Mass Spectrometry
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide Native mass spectrometry (nMS) screening of natural glycan libraries against glycan-binding proteins (GBPs) is a powerful tool for ligand discovery. However, as the glycan concentrations are unknown, affinities cannot be measured directly from natural libraries. Here, we introduce Co ncentration- In dependent (COIN)-nMS, which enables quantitative screening of natural glycan libraries by exploiting slow mixing of solutions inside a nanoflow electrospray ionization emitter. The affinities ( K d ) of detected GBP–glycan interactions are determined, simultaneously, from nMS analysis of their time-dependent relative abundance changes. We establish the reliability of COIN-nMS using interactions between purified glycans and GBPs with known K d values. We also demonstrate the implementation of COIN-nMS using the catch-and-release (CaR)-nMS assay for glycosylated GBPs. The COIN-CaR-nMS results obtained for plant, fungal, viral, and human lectins with natural libraries containing hundreds of N -glycans and glycopeptides highlight the assay’s versatility for discovering new ligands, precisely measuring their affinities, and uncovering “fine” specificities. Notably, the COIN-CaR-nMS results clarify the sialoglycan binding properties of the SARS-CoV-2 receptor binding domain and establish the recognition of monosialylated hybrid and biantennary N -glycans. Moreover, pharmacological depletion of host complex N -glycans reduces both pseudotyped virions and SARS-CoV-2 cell entry, suggesting that complex N -glycans may serve as attachment factors.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 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 ».