Effect of pH and Metal Ions on Protein–Metal Complexation Modeled by Fluorescence Quenching
Notice bibliographique
Résumé
Obtaining and analyzing fluorescence spectra is a valuable skill for students taking a course in enviro-analytical chemistry. This experiment allowed students to gain an understanding of metal complexation at varying pH using a fluorescence quenching technique. Students collected fluorescence spectra of BSA quenched by a range of Cu or Pb concentrations at two pH levels and conducted a Stern–Volmer analysis. Increasing the quenching agent concentration caused a decrease in the fluorescence intensity. Students recorded and plotted the fluorescence intensities at the peak maximum ( F max ) against quenching agent concentration. The Stern–Volmer equation and modified Stern–Volmer equation were used to obtain complexation parameters: the Stern–Volmer constant of association (K sv ), the binding constant (K a ), and the stoichiometric coefficient of the metal ( n ). Copper demonstrated stronger binding with BSA at pH 5.1, while lead was a more effective quenching agent at pH 3.4. The degree of quenching decreased for both metals at pH 3.4, markedly more for Cu. This may be due to enhanced aggregation or unfolding of BSA at a lower pH, altering accessibility to binding sites. It may also be due to competitive binding with protons. Students were asked several questions related to their findings and to seek out additional research to support their ideas. Overall, students gained a molecular-level understanding of BSA–metal binding and the implications of protein conformation and denaturation at different pH levels. The questions were also used to prompt learning about environmental implications, including impacts of binding strength on the bioavailability of metal ions in the human body and aquatic systems.
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 ».