MétaCan
Menu
← Retour à la cohorte
Enregistrement W4405584498 · doi:10.1021/jacs.4c08597

Programming the Kinetics of Chemical Communication: Induced Fit vs Conformational Selection

2024· article· en· W4405584498 sur OpenAlexafffund
Carl Prévost-Tremblay, Achille Vigneault, Dominic Lauzon, Alexis Vallée‐Bélisle

Notice bibliographique

RevueJournal of the American Chemical Society · 2024
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueAdvanced biosensing and bioanalysis techniques
Établissements canadiensUniversité de Montréal
Organismes subventionnairesFonds de recherche du Québec – Nature et technologiesNatural Sciences and Engineering Research Council of CanadaCanada Research Chairs
Mots-clésChemistryKineticsSelection (genetic algorithm)Chemical kineticsComputational chemistryArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Life on Earth depends on chemical communication and the ability of biomolecular switches to integrate various chemical signals that trigger their activation or deactivation over time scales ranging from microseconds to days. The ability to similarly program and control the kinetics of artificial switches would greatly assist the design and optimization of future chemical and nanotechnological systems. Two distinct structure-switching mechanisms are typically employed by biomolecular switches: induced fit (IF) and conformational selection (CS). Despite 60 years of experimental and theoretical investigations, the kinetic and evolutive advantages of these two mechanisms remain unclear. Here, we have created a simple modular DNA switch that can operate through both mechanisms and be easily tuned and adapted to characterize its thermodynamic and kinetic parameters. We show that the fastest activation rate of a switch occurs when the ligand is able to bind its inactive conformation (IF). In contrast, we show that when the ligand can only bind the active conformation of the switch (CS), its activation rate can be easily programmed over many orders of magnitude by a simple tuning of its conformational equilibrium. We demonstrate the programming ability of both these mechanisms by designing a drug delivery vessel that can be programmed to release a drug over different time scales (>1000-fold). Overall, these findings provide a programmable strategy to optimize the kinetics of molecular systems and nanomachines while also illustrating how evolution may have taken advantage of IF and CS mechanisms to optimize the kinetics of biomolecular switches.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,013
Tête enseignante GPT0,294
Écart entre enseignants0,282 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of the American Chemical Society→Même sujetAdvanced biosensing and bioanalysis techniques→Travaux en français237 207→