Impact du résidu voisin sur le pKa des peptides et leurs mobilités en électrophorèse capillaire
Bibliographic record
Abstract
Tous les modèles théoriques, mathématiques et empiriques utilisés pour l’évaluation de la mobilité électrophorétique de peptides regroupent trois paramètres de base : la masse du peptide, son nombre de résidus (sa longueur) et sa charge. Or, ces modèles ont une faiblesse commune qui est le paramètre de charge (q). Lors de l’estimation de cette variable, l’usage d’approximation pour les constantes de dissociation acide (pKa) des groupes ionisables des peptides entraîne une erreur sur ce calcul. Une solution utilisée par plusieurs auteurs est de développer les modèles pour la mobilité à bas pH seulement en assumant la protonation complète de tous les groupes acides et basiques. Afin de comprendre l’effet du résidu acide aminé (a.a.) voisin sur l’ionisation des groupes carboxyles et amines terminaux (Cʹ et Nʹ) d’un peptide, les valeurs de pKa de plusieurs séries de peptides ont été déterminés par CE suite à l’optimisation d’une méthode. Les peptides étudiés étaient de type Z-X et X-Z où X est un ou plusieurs résidus voisins variable tandis que Z est un résidu invariable tel la phénylalanine, la glycine et l’alanine. L’objectif primaire de ce projet consistait à déterminer les valeurs réelles du pKa des groupes Cʹ et Nʹ de 69 peptides afin d’élucider l’effet de leur environnement immédiat, i.e., le résidu voisin. Ce travail systématique de compilation des pKa est une approche rarement utilisée. En ayant accès à ces valeurs, la source d’incertitude sur les constantes d’ionisation des peptides auquel font face beaucoup d’auteurs est éliminée. Ceci permet une analyse plus approfondie de leur comportement électrophorétique. Pour la série de dipeptides étudiés, nous avons observé que plus l’hydrophobicité du résidu X augmentait, plus les pKa Cʹ et Nʹ baissait selon le résidu Z. Les résidus X hydrophiles possèdent des chaines latérales chargées ou très polaires qui influencent de façon plus importante le processus d’ionisation que les résidus X hydrophobes. Les données analysées ont aussi permis de déterminer que plus la distance du résidu X au Cʹ ou Nʹ est grande, plus son influence sur le pKa diminue. Également, le prolongement d’un peptide de 1 à 6 résidus, tel les oligoglycines, fait augmenter le pKa-Cʹ et diminuer le pKa-Nʹ via un processus expliqué par la réduction des interactions électrostatiques entre les fonctions Cʹ et Nʹ. Ces résultats illustrent que les pKa Cʹ et Nʹ de peptides ne sont pas exacts lorsqu’ils sont basés uniquement sur l’identité de l’acide aminé terminal, comme c’est le cas pour l’approche classique de modélisation. Les valeurs de pKa de dipepides obtenus par titrages potentiométriques ont été comparés aux pKa déterminés par CE. Des écarts importants ont été obtenus ce qui a mis en lumière la nécessité de contrôler les protocoles expérimentaux de manière rigoureuse pour mieux comparer les résultats provenant de deux techniques. Par la suite, à l’aide des mobilités de peptides obtenus expérimentalement à haut et bas pH, nous avons comparé les résultats de modélisations calculés pour les pKa expérimentaux à ceux de la littéraire afin d’évaluer les avantages du modèle d’Offord. Enfin, des simulations de séparations par CE de 9 peptides obtenues avec les programme informatique PeakMaster ont été comparées avec les résultats expérimentaux. Ceci a démontré l’utilité et la supériorité des pKa expérimentaux comparativement aux pKa les plus communément utilisés avec les approches traditionnelles.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".