Kinetic comparison of all eleven viral polyprotein cleavage site processing events by SARS-CoV-2 main protease using a linked protein FRET platform
Notice bibliographique
Résumé
The main protease (M pro ) remains an essential therapeutic target for COVID-19 post infection intervention given its critical role in processing the majority of viral proteins encoded by the genome of SARS-CoV-2. Upon viral entry, the +ssRNA genome is translated into two long polyproteins (pp1a or the frameshift-dependent pp1ab) containing all the non-structural proteins (nsps) required by the virus for immune modulation, replication, and ultimately, virion assembly. Included among these nsps is the cysteine protease M pro (nsp5) which self-excises from the polyprotein, dimerizes, then consecutively cleaves 11 of the 15 cut site junctions found between each nsp within the polyprotein. Many structures of M pro (often bound to various inhibitor or peptide inhibitors) have been detailed recently, including structures of M pro bound to each of the polyprotein cleavage sequences, showing that M pro can accommodate a wide range of targets within its active site. However, to date, kinetic characterization of the interaction of M pro with each of its native cut site sequences remains incomplete. Here we present a robust and cost-effective FRET based system that benefits from a more consistent presentation of the substrate that is also closer in organization to the native polyprotein environment compared to previously reported FRET systems that employ chemically modified peptides. Using this system, we were able to show that while each site maintains a similar Michaelis constant, the catalytic efficiency of M pro varies greatly between cut site sequences, suggesting a clear preference for the order of nsp processing.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».