Serum protein albumin and chromium: Mechanistic insights into the interaction between ions, nanoparticles, and protein
Notice bibliographique
Résumé
The interaction of human proteins and metal species, both ions and nanoparticles, is poorly understood despite their growing importance. These materials are the by-products of corrosion processes and are of relevance for food and drug manufacturing, nanomedicine, and biomedical implant corrosion. Here, we study the interaction of Cr(III) ions and chromium oxide nanoparticles with bovine serum albumin in physiological conditions. This study combined electrophoretic mobility measurements, spectroscopy, and time-of-flight secondary ion mass spectrometry with principal component analysis. It was determined that neither metal species resulted in global albumin unfolding. The Cr(III) ions interacted strongly with amino acids found in previously discovered metal binding sites, but also were most strongly implicated in the interaction with negatively charged acid residues, suggesting an electrostatic interaction. Bovine serum albumin (BSA) was found to bind to the Cr 2 O 3 nanoparticles in a preferential orientation, due to electrostatic interactions between the positive amino acid residues and the negative chromium oxide nanoparticle surface. These findings ameliorate our understanding of the interaction between trivalent chromium ions and nanoparticles, and biological macromolecules. • Corrosion of implants can release both chromium ions and nanoparticles. • Chromium ions and chromium oxide nanoparticles interact with albumin differently. • Trivalent chromium ions induce albumin aggregation through salt-bridging. • Chromium oxide nanoparticles also cause serum albumin aggregation. • Chromium oxide nanoparticles develop an albumin corona through electrostatic forces.
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 | 0,001 |
| 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 ».