Computationally identified peptides immobilized to hydrogel delivery vehicles enable affinity-controlled release of proteins
Notice bibliographique
Résumé
M). Mutational analysis revealed that aromatic residues were essential for binding. When covalently immobilized to a hyaluronan-methylcellulose hydrogel, the peptide enabled prolonged and sequential release of VEGF and PDGF. Computational modeling of the release kinetics using finite element analysis agreed with experimental data, validating the model and guiding the design of the delivery system. Importantly, the released proteins remained bioactive as demonstrated by cell growth and angiogenesis tube formation assays. This study demonstrates a simple and effective approach to achieve controlled and sequential release of therapeutic growth factors. STATEMENT OF SIGNIFICANCE: Proteins are promising therapeutics for multiple diseases; however, their delivery remains challenging due to the use of generic strategies, which often degrade the proteins. We used computational tools to identify specific binders for two growth factors (VEGF and PDGF), and then demonstrated the utility of these binders to control the release of bioactive proteins for a sustained period from a novel hydrogel. We achieved sequential release of VEGF followed by PDGF, which is important in vessel formation. This new system of identifying protein binding partners is broadly applicable and shown herein to be useful to control the release of two specific proteins. This combination of theoretical and experimental approaches is of broad interest to biomaterial researchers.
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 ».