Bait and Cleave: Exosite-Binding Peptides on Quantum Dots Selectively Accelerate Protease Activity for Sensing with Enhanced Sensitivity
Notice bibliographique
Résumé
The advantageous optical properties of quantum dots (QDs) motivate their use in a wide variety of applications related to imaging and bioanalysis, including the detection of proteases and their activity. Recent studies have shown that surface chemistry on QDs is able to modulate protease activity, but only nonspecifically. Here, we present a strategy to selectively accelerate the activity of a particular target protease by as much as two orders of magnitude. Exosite-binding "bait" peptides were derived from proteins that span a range of biological roles─substrate, receptor, and inhibitor─and were used to increase the affinity of the QD-peptide conjugates for either thrombin or factor Xa, resulting in increased rates of proteolysis for coconjugated substrates. Unlike effects from QD surface chemistry, the acceleration was specific to the target protease with negligible acceleration of other proteases. Benefits of this "bait and cleave" sensing approach included detection limits that improved by more than an order of magnitude, reenabled detection of target protease against an overwhelming background of nontarget proteolysis, and mitigation of the action of inhibitors. The cumulative results point to a generalizable strategy, where the mechanism of acceleration, considerations for the design of bait peptides and conjugates, and routes to expanding the scope of this approach are discussed. Overall, this research represents a major step forward in the rational design of nanoparticle-based enzyme sensors that enhance sensitivity and selectivity.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».