Unlocking the chemistry facilitated by enzymes that process nucleic acids using quantum mechanical and combined quantum mechanics–molecular mechanics techniques
Notice bibliographique
Résumé
The diverse cellular functions of nucleic acids are made possible by enzymes that catalyze cleavage of glycosidic (nucleobase-sugar) and phosphodiester bonds. Despite advancements in experimental biochemical methods, critical information about such enzyme-catalyzed reactions is difficult to obtain from traditional experiments. However, computational quantum mechanical (QM) methods can provide atomic level details of catalytic pathways that are complementary to experimental data. This perspective highlights various QM techniques used to advance our understanding of enzymes that process nucleic acids. First, select DNA glycosylases are discussed to showcase how QM calculations on nucleoside/tide and small molecule complexes uncover roles of active site interactions and the preferred order of reaction steps along DNA repair pathways. Furthermore, the ability of calculations on nucleic acid-enzyme complexes that combine QM methods with molecular mechanics (MM) force fields to challenge traditional views of enzyme function and lead to consensus for mechanistic pathways is illustrated. Subsequently, QM-based studies of select nucleases are discussed to highlight how this methodology can discern the various strategies enzymes use to cleave nucleic acid backbones. Overall, this contribution underscores the value in combining QM-based computational work with experimental studies to uncover enzyme-facilitated nucleic acid chemistry to be harnessed in future medicinal, biotechnological and materials applications.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 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 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| 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 ».