Illuminating biomolécules : shedding light on the utility of labeling using transglutaminases
Bibliographic record
Abstract
Le développement des technologies de recombinaison en biologie moléculaire fut un point tournant pour les sciences biologiques. Depuis cette découverte, diverses avancées extraordinaires qui ont un impact direct sur les humains ont pu être accomplies dans les domaines de recherches qui découlent de cette technologie. L’étude des enzymes produites en utilisant cette technique est le fondement de leurs applications éventuellement accessibles. À cet effet, la biocatalyse est un sous-domaine de l’enzymologie en développement continuel. Les chimistes et ingénieurs utilisent les composantes de systèmes biologiques ou même des systèmes complets afin de complémenter ou remplacer des méthodologies existantes. Cette thèse étudie la famille d’enzymes transglutaminase (TGase) comme biocatalyseur afin d’explorer et d’étendre l’ubiquité et les innovations rendues possibles grâce aux enzymes. Les TGases sont des enzymes versatiles. Leur homologue bactérien, la transglutaminase bactérienne (MTG), est couramment utilisé à l’échelle industrielle pour la transformation alimentaire. Depuis une dizaines d’années, de nombreux efforts ont été faits afin de trouver de nouvelles applications des TGases. En premier lieu, une revue des accomplissements, progrès et défis reliés au développement des TGases sera décrite. Les TGases sont intrinsèquement des catalyseurs de la formation de lien isopeptidiques entre une glutamine et une lysine. Par ce fait, elles ont été initialement testées dans cette thèse pour la synthèse de peptides. Une forme de l’enzyme TGase de mammifères fut en mesure de générer les composés dipeptidiques Gly-Xaa et D-Ala-Gly avec une faible conversion. La MTG possède plusieurs caractéristiques qui font de cette enzyme un candidat intéressant pour le développement de biotechnologies. Elle est stable, non dépendante d’un cofacteur et connait peu de compétition pour sa réaction catalytique inverse. La majeure partie de cette thèse porte exclusivement sur l’utilisation de la MTG. Nous avons développé et caractérisé une réaction chimio-enzymatique en un seul pot pour la conjugaison de peptides et protéines. La présence de glutathion en quantité suffisante permet de contourner l’incompatibilité de la MTG avec le cuivre et ouvre la porte à l’utilisation de la réaction de cycloaddition entre un alcyne et un azoture catalysée par le cuivre, afin d’effectuer le marquage fluorescent de protéines. L’utilisation d’autres méthodes de chimie « click » sans métaux fut aussi étudiée afin d’incorporer divers substrats protéiques. Le marquage de protéines avec la MTG fut investigué de manière combinatoire. Précisément, la ligation de Staudinger, la cycloaddition azoture-alcyne promue par la tension de cycle, ainsi que la ligation de tetrazine (TL) ont été testées. Différents niveaux de conversion ont été atteints, le plus prometteur étant celui obtenu avec la TL. Une étude par cristallographie a été effectuée afin d’élucider comment les substrats contenant une glutamine interagissent avec la MTG. Une méthode de purification alternative de la MTG a été développée afin d’atteindre ce but. Une discussion sur les stratégies et défis est présentée. Finalement, la conjugaison entre un système contenant la MTG comme biocatalyseur de marquage, le domaine B1 de la protéine G (GB1) comme substrat et d’un fluorophore contenant une amine comme sonde fut étudié. Comme deux des constituants de ce système sont des protéines, l’ingénierie d’enzyme peut être entreprise afin d’améliorer leurs propriétés. Une banque de 24 variantes de GB1 fut construite grâce à une approche semi-rationnelle afin d’investiguer quels facteurs sont déterminants pour la sélectivité de la MTG envers la glutamine. Chaque variante étudiée comportait une seule glutamine à une position variable afin d’évaluer l’impact des éléments de structure secondaire où se retrouve la glutamine. L’efficacité pour le marquage a pu être améliorée d’au moins un ordre de grandeur pour huit des substitutions étudiées. Comme chacune des structures secondaires fut marquée, il fut démontré que la MTG n’en préfère pas une en particulier. De plus, la réactivité de la MTG envers la variante I6Q-GB1 fut augmentée en créant des mutations dans son site actif. Ces résultats permettent de comprendre d’avantage la sélectivité de la MTG envers la glutamine, tout en démontrant le potentiel de cette enzyme à être modifiée afin d’être améliorée.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.005 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 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 teacher head, 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".