Expanding the Reach of Membrane Protein–Ligand Interaction Studies Through the Integration of Mass Spectrometry and Membrane Mimetics
Notice bibliographique
Résumé
Mass spectrometry (MS) offers robust, label-free approaches for characterizing ligand-protein interactions through two main strategies: affinity-based and stability-based assays. However, their application to membrane proteins (MPs)-a major class of drug targets-has been limited by challenges such as structural complexity, low native expression, incomplete trypsin digestion, and poor compatibility with detergent-based MS protocols. Recent progress has advanced the field along two complementary fronts. First, innovations in MS methodology, including native MS, nativeomics, solution-phase thermochemistry, and ion mobility-mass spectrometry (IM-MS), have improved the ability to preserve intact assemblies, capture co-bound lipids and ligands, and resolve conformational and energetic landscapes of MPs. Second, advances in MP solubilization and stabilization, through tailored detergent architectures, MS-compatible detergents, and membrane mimetic (MM) systems-such as nanodiscs, peptidiscs, and styrene-maleic acid (SMA) polymers-have created more native-like environments that maintain functional conformations and ligand-binding sites, enabling integration of MPs into high-throughput MS platforms for ligand screening. This review outlines key affinity- and stability-based MS approaches for MPs and highlights how advances in MS methodology and solubilization strategies are extending their scope, positioning MS and MM as an increasingly powerful platform for high-throughput discovery of MP-ligand interactions.
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 ».