Membrane-Active Peptides Derived from Natural Transmembrane Domains Function as Antibiotic Potentiators
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide Antimicrobial resistance continues to be a prevailing threat to human health worldwide, largely due to the arsenal of resistance mechanisms bacteria have evolved over years of exposure to traditional antibiotics. As an approach to devising therapeutics that can overcome this resistance, we hypothesized that peptides consisting of single transmembrane (TM) segments of membrane proteins may permeabilize bacterial membranes and thereby facilitate access of antimicrobials to their cytoplasmic targets. Using peptides derived from a natural TM helix from the AcrB component of the AcrAB-TolC efflux protein, we found that AcrB TM8 (wild type sequence: KKKK–FL(Abu)LAALYESWSI–NH 2 ) and a “scrambled” analog of identical composition, charge, and overall hydrophobicity (TM8-S: KKKK–FSLEALW(Abu)ISAYL–NH 2 ) (Abu = α-aminobutyric acid), resensitize Escherichia coli to sublethal doses of the antibiotics cloxacillin and nalidixic acid. These peptides induce 50–100% reduction of cell growth compared to bacteria treated with either peptide or antibiotic alone. The molecular basis for peptide-based permeabilization of the bacterial outer and inner membranes that contributes to the observed antibiotic potentiation was studied through several in vitro liposome-based assays and in vivo fluorescence-based assays. The overall results suggest that membrane proteins harbor a wealth of peptide sequences that may function as effective membrane-active peptides for the targeting of difficult-to-treat Gram-negative bacterial infections, and as such, provide valuable guidelines for the design of membrane-active peptides with synergistic antibacterial and antibiotic potentiation activity.
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 ».