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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».