Development of Flow-NMR Spectroscopy for Real-Time Monitoring and Kinetics Studies of Biomolecules: Case Study of Liraglutide Oligomerization
Notice bibliographique
Résumé
We report the development of a comprehensive flow-NMR methodology for mechanistic studies of biomolecules. This approach allows for systematic kinetic investigation via precise sample condition modulations. Traditionally utilized for reaction monitoring and kinetic studies of small molecules, the application of flow-NMR to larger biomolecules, such as peptide oligomers and proteins, has remained unexplored. Here, we present a pioneering study using flow-NMR to examine the pH-dependent oligomeric interconversion of liraglutide, a glucagon-like peptide 1 (GLP-1) receptor agonist known for its efficacy in managing type 2 diabetes and obesity. Liraglutide molecules are prone to forming distinct oligomers and even fibrils under certain conditions, influencing their stability, absorption, and bioavailability─factors critically important in pharmaceutical applications. The developed methodologies and suite of flow-NMR experiments collectively yield comprehensive insights into the interconversion process of liraglutide without resorting to combining multiple other techniques. It incorporates various 1D and pseudo-2D proton NMR experiments, including GUPPY-DOSY, a newly developed version of a flow-compatible DOSY experiment, to monitor critical parameters such as diffusion coefficients ( D ), transverse relaxation ( R 2 ), and structural similarity. The relative ease of setting up and executing this set of flow-NMR experiments offers a straightforward path to extending their application to the characterization of other complex systems, including therapeutic proteins and biologic drugs.
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) | 0,001 | 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 ».