Unnatural Amino Acid and Emerging Chemistry Approaches to Map RNA–Protein Interactions
Notice bibliographique
Résumé
RNA serves as both a genetic messenger and a functional non-coding molecule, with its activity relying on interactions with diverse proteins. Characterizing RNA-protein interactions remains challenging, particularly for dynamic or low-abundance complexes. Traditional crosslinking methods, such as UV-254 nm irradiation and formaldehyde fixation, suffer from low efficiency, poor specificity, and broad reactivity, limiting their utility for high-resolution interactome mapping. Recent advances in genetic code expansion (GCE) and unnatural amino acid (UAA) incorporation now enable chemoselective, site-specific crosslinking chemistries that circumvent these limitations. This review highlights classes of crosslinkable UAAs, including benzophenone-, diazirine-, and aryl azide-based moieties, which have been used for photo-induced covalent capture of RNA-protein interactions. Next-generation modalities, such as acetophenone derivatives, halogenated UAAs, bifunctional UAAs, acyl silanes, diaryl nitrones, and photoactivatable systems further expand the toolkit for photocrosslinking and bioorthogonal labelling. Beyond UV-based approaches, latent bioreactive UAAs and proximity-induced chemistries exploit electrophile-nucleophile substitution and masked acylating agents to enable covalent capture under physiological conditions. Together, these strategies provide unprecedented control over reactivity, temporal resolution and site specificity, advancing RNA-targeted proteomics. Continued innovation in UAA-based chemistry promise to transform how RNA-protein complexes are interrogated and manipulated with molecular precision.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».