Développement d’une plateforme de criblage par SPR pour la caractérisation d’inhibiteurs de la DHFR R67
Bibliographic record
Abstract
L'objectif du projet de recherche est de développer une méthode de criblage d’inhibiteurs basée sur une technologie émergente, soit un dispositif portatif utilisant la résonance des plasmons de surface (SPR). La cible du criblage est la dihydrofolate réductase R67 (DHFR R67), une enzyme qui confère une résistance bactérienne à l'antibiotique triméthoprime. Ici, l'enzyme cible est immobilisée sur une surface d'or mince avec des propriétés plasmoniques (optiques) spécifiques qui varient en fonction de la masse des molécules se liant à cette surface. Cette technique permet de suivre les événements de liaison de molécules à la DHFR R67 immobilisée, et ainsi peut permettre l'identification d'inhibiteurs potentiels. Cependant, la masse molaire des inhibiteurs typiquement utilisés lors de criblages préliminaires (i.e. 500-1000 g/mol) est trop faible pour générer un signal SPR détectable. Afin de contrer cette lacune, ce mémoire a pour objet de développer un essai compétitif indirect qui mettra en jeu des molécules de masse supérieure. D’abord, une nanoparticule d'or portant un analogue de substrat se liera à la DHFR R67 immobilisée à la surface d’or, générant ainsi un signal SPR important en raison de la masse molaire élevée de la nanoparticule. Ensuite, lors du criblage d'inhibiteurs potentiels, les nanoparticules liées seront déplacées de l'enzyme cible si la molécule criblée fournit une affinité suffisante. Ainsi, il sera possible de suivre indirectement la liaison d'un inhibiteur à la cible. Ce projet vise donc à tester et à valider l'approche de criblage SPR appliquée à la DHFR R67.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.004 | 0.003 |
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".