Unnatural Amino Acid and Emerging Chemistry Approaches to Map RNA–Protein Interactions
Notice bibliographique
Résumé
Abstract 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) | 0,000 | 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) | 0,001 | 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 ».