Fragment Screening and Fast Micromolar Detection on a Benchtop NMR Spectrometer Boosted by Photoinduced Hyperpolarization
Notice bibliographique
Résumé
Fragment-based drug design is a well-established strategy for rational drug design, with nuclear magnetic resonance (NMR) on high-field spectrometers as the method of reference for screening and hit validation. However, high-field NMR spectrometers are not only expensive, but require specialized maintenance, dedicated space, and depend on liquid helium cooling which became critical over the recurring global helium shortages. We propose an alternative to high-field NMR screening by applying the recently developed approach of fragment screening by photoinduced hyperpolarized NMR on a cryogen-free 80 MHz benchtop NMR spectrometer yielding signal enhancements of up to three orders in magnitude. It is demonstrated that it is possible to discover new hits and kick-off drug design using a benchtop NMR spectrometer at low micromolar concentrations of both protein and ligand. The approach presented performs at higher speed than state-of-the-art high-field NMR approaches while exhibiting a limit of detection in the nanomolar range. Photoinduced hyperpolarization is known to be inexpensive and simple to be implemented, which aligns greatly with the philosophy of benchtop NMR spectrometers. These findings open the way for the use of benchtop NMR in near-physiological conditions for drug design and further life science 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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».