Fluorescence Resonance Energy Transfer to Detect Plasma Membrane Perturbations in Giant Plasma Membrane Vesicles
Notice bibliographique
Résumé
Disruptions and perturbations of the cellular plasma membrane by peptides have garnered significant interest in the elucidation of biological phenomena. Typically, these complex processes are studied using liposomes as model membranes-either by encapsulating a fluorescent dye or by other spectroscopic approaches, such as nuclear magnetic resonance. Despite incorporating physiologically relevant lipids, no synthetic model truly recapitulates the full complexity and molecular diversity of the plasma membrane. Here, biologically representative membrane models, giant plasma membrane vesicles (GPMVs), are prepared from eukaryotic cells by inducing a budding event with a chemical stressor. The GPMVs are then isolated, and bilayers are labelled with fluorescent lipophilic tracers and incubated in a microplate with a membrane-active peptide. As the membranes become damaged and/or aggregate, the resulting fluorescence resonance energy transfer (FRET) between the two tracers increases and is measured periodically in a microplate. This approach offers a particularly useful way to detect perturbations when the membrane complexity is an important variable to consider. Additionally, it provides a way to kinetically detect damage to the plasma membrane, which can be correlated with the kinetics of peptide self-assembly or structural rearrangements. Key features • Allows testing of various peptide-membrane interaction conditions (peptide:phospholipid ratio, ionic strength, buffer, etc.) at once. • Uses intact plasma membrane vesicles that can be prepared from a variety of cell lines. • Can offer comparable throughput as with traditional synthetic lipid models (e.g., dye-encapsulated liposomes).
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 | 0,000 |
| 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) | 0,000 | 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 ».