Acceleration\nof Proteolytic Activity Associated with Selection of Thiol Ligand Coatings on Quantum Dots
Notice bibliographique
Résumé
Nanoparticle bioconjugates are attractive\nprobes for measuring the activity of hydrolytic enzymes. In these\nconfigurations, the localization of multiple copies of a hydrolase\nsubstrate to a nanoparticle scaffold has been reported to enhance\napparent activity by factors of 2 to 3 compared to that for equivalent\namounts of substrate in bulk solution. Here, we studied the effect\nof surface chemistry on protease activity using multivalent QD–peptide\nsubstrate conjugates as a model system. QDs were coated with cysteine\n(CYS), glutathione (GSH), dihydrolipoic acid (DHLA), or 3-mercaptopropionic\nacid (MPA) ligands, and thrombin and trypsin were used as model proteases.\nProteolytic activity was measured for different combinations of ligand\nand protease using Förster resonance energy transfer (FRET)-based\nassays. The highest levels of activity were observed with CYS and\nGSH coatings, and the lowest levels of activity were observed with\nDHLA and MPA coatings. In all cases, proteolytic activity was accelerated\ncompared to that for an equivalent amount of substrate in bulk solution,\nwith up to 80- and 65-fold increases in the apparent specificity constants\nfor thrombin and trypsin, respectively. Thrombin was more strongly\naffected by the QD surface chemistry, with up to a 50-fold variation\nin its apparent specificity constant between ligand coatings, whereas\nonly a 5-fold variation was observed with trypsin. These trends were\ncorrelated to adsorption of the proteases on the QDs and are discussed\nin the context of the physicochemical properties of both components.\nThis work clearly indicates a critical role for the nanoparticle interface\nin mediating substrate turnover and provides some of the strongest\nsupport to date for a so-called hopping model of activity.
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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,076 | 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 ».