Structures Frozen in Time: Application of Basic Cryogenic Electron Microscopy in an Undergraduate Lab
Notice bibliographique
Résumé
Cryogenic electron microscopy (cryo-EM) is a powerful technique capable of characterizing large protein complexes that are otherwise impossible to characterize using traditional crystallography methods. Cryo-EM has played a pivotal role in our understanding of the structure–function relationship of the spike proteins on the COVID-19 viral capsule, allowing for the rapid development of therapeutics and vaccines in our quest to end the COVID-19 pandemic. The relevance of cryo-EM to this global event advocates for its incorporation into undergraduate chemistry curricula. In fact, highlighting the importance and applicability of a technique to students allows for a better retention of knowledge. Therefore, in this laboratory exercise, we introduce the concepts and application of cryo-EM as a structural characterization tool in an upper-year undergraduate class. Furthermore, with the aid of three-dimensional (3D) printing, the concepts of tomography are introduced, allowing students to understand the construction of a 3D model from a collection of 2D images through cryo-EM. According to student responses, this lab module was well-received, and the 3D-printed model indeed added to their learning experience. While cryo-EM is a specialized technique that may not be available to some educational institutions, those with access should consider its incorporation into their curriculum, thereby exposing students to a breadth of structural characterization techniques that broaden their learning experience.
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) | 0,000 | 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 ».