Micromolar Concentration Affinity Study on a Benchtop NMR Spectrometer with Secondary <sup>13</sup> C Labeled Hyperpolarized Ligands
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide Benchtop NMR is becoming an increasingly important tool, sometimes providing a simple and low-cost alternative to high-field NMR. The Achilles heel of NMR and even more critically of benchtop NMR is its limited sensitivity. However, when combined with hyperpolarization techniques, the sensitivity boost can provide excellent sensitivity that can even make benchtop NMR compatible with affinity studies for drug discovery. Hyperpolarization by dissolution dynamic nuclear polarization (dDNP) provides a route to enhancing 13 C nuclear magnetic resonance (NMR) sensitivity by more than 5 orders of magnitude for a wide range of small molecules on a benchtop NMR system. We show here how ligands can be secondarily labeled with 13 C tags and hyperpolarized with conventional dDNP methods. These hyperpolarized ligands display long nuclear spin–lattice relaxation time constants and can therefore be used to probe interactions with target proteins in conventional dDNP settings. The boost in sensitivity combined with the simplicity of the 13 C spectra (one peak per ligand) enables detection on an 80 MHz benchtop NMR spectrometer at micromolar concentrations, which may ultimately provide a way of improving and accelerating the discovery of new drug candidates.
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 | 0,000 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».