Programmable Peptide-Based Complex Coacervate Microenvironments for Cellular Engineering
Notice bibliographique
Résumé
Peptide-based coacervates demonstrate remarkable potential across interdisciplinary fields of biomedicine and materials science due to their sequence programmability, dynamic self-assembly capability, and exceptional biocompatibility. Despite progress in understanding their phase behavior, the high charge density and complex intermolecular interactions present significant challenges in precisely tailoring their microenvironments and biological functions. In this study, we utilized decapeptide sequences (decaarginine R 10, decalysine K 10, and decaaspartic acid D 10 ) to explore the impact of substituting aspartic acid (D) with phenylalanine (F) in D 10 or lysine (K) with arginine (R) in K 10 on the microenvironment of coacervates. The replacement of D with F in the R 10 /D 10 system led to a thermodynamic shift from enthalpy-driven (low F%) to entropy-driven (high F%) phase separation and enhanced phase separation propensity and salt resistance, while reducing internal polarity and molecular mobility. Varying R% in K 10 /D 10 systems demonstrated limited impact on microdroplet viscosity and polarity compared to F% modulation, despite stabilizing droplets at R% ≥ 20%. Neither the D-to-F nor K-to-R substitutions altered the enrichment of biological macromolecules; however, the D-to-F substitution disrupted the secondary structure of double-stranded DNA. Cell coculture experiments confirmed that both R 10 /(FD) 5 and R 10 /D 10 complex coacervate microdroplets adhered to cell membranes rapidly, but R 10 /D 10 exhibited stronger proliferation inhibition. This molecular-level analysis establishes a foundation for connecting the peptide sequence, condensate microenvironments, and biological functions.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 ».