Understanding the Binding and Structures in Model Complexes of Polypeptides and Cofactors
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide Competitive binding between metal cofactors and functional groups of polypeptides results in a diversity of structures and chemistries in metalloproteins. Herein, we examined elements of this competitive binding using [metal(auxiliary ligand)(peptide)] complexes, where the metal(auxiliary ligand) combinations are Cu II (terpy) 2+, Co III (salen) +, and Fe III (salen) + and the peptides are either the dipeptide arginine–tyrosine (RY) or the tripeptide arginine–tyrosine–glycine (RYG). Structural diversity was established and substantiated via tandem mass spectrometry, with and without peptide derivatization and substitution. All the complexes dissociated to give high abundances of the peptide radical cations, but the structures of these ions differ depending on the composition of the preceding metal complex. Density functional theory calculations provided insights into different binding modes within the complexes and also provided details of the mechanisms by which different [RY] •+ and [RYG] •+ ions fragment. Infrared multiple-photon dissociation spectroscopy established that [Cu(terpy)RYG] 2+ is bound through the carboxylate group, but calculations showed that it can convert to the phenolate-bound structure under a low-energy barrier. Despite the variety and apparent complexity in binding, the overall chemistry could be characterized using intrinsic acid–base chemistry and the concept of hard/soft Lewis acids/bases. The resulting complex structures were experimentally probed and were found to be in accordance with predictions. For the complexes, the drive toward energy minimization can take several pathways that involve multiple functional groups, thereby leading to a rich chemistry.
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 ».