Membrane-mimetic thermal proteome profiling (MM-TPP) toward mapping membrane protein–ligand dynamic interactions
Notice bibliographique
Résumé
Integral membrane proteins (IMPs) are central targets for small-molecule therapeutics, yet robust, unbiased, and detergent-free approaches to assess their on- and off-target interactions remain limited. Previously, we introduced the Peptidisc membrane mimetic (MM) for water-soluble stabilization of the membrane proteome and interactome (Carlson et al., eLife, 2019). In this work, we combine the Peptidisc with thermal proteome profiling (TPP) to establish membrane-mimetic thermal proteome profiling (MM-TPP), a method that enables proteome-wide mapping of membrane protein–ligand interactions. Using a membrane protein library derived from mouse liver tissue, we detected the specific effects of ATP and orthovanadate on the thermal stability of ATP-binding cassette (ABC) transporters, as well as stability shifts driven by the hydrotropic effect of ATP and its by-products on G protein-coupled receptors (GPCRs). In contrast, detergent-based TPP (DB-TPP) with ATP–VO 4 failed to yield specific enrichment of ATP-binding proteins, underscoring the unique capacity of MM-TPP. To further validate the approach, we demonstrated the ability of MM-TPP to detect specific ligand-induced stabilization of cognate targets, exemplified by the selective thermal stabilization of the P2RY12 receptor by 2-methylthio-ADP. Together, these findings position MM-TPP as a robust platform for uncovering both on- and off-target effects of small molecules, providing insights into the druggable membrane proteome and its stability in consequence of changing dynamic ligands.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».