Azacyclopeptide synthesis and their neuroprotective activity against Aβ toxicity
Bibliographic record
Abstract
Le mauvais repliement et l’agrégation des protéines représentent une cause fondamentale des pathologies amyloïdes. Des dépôts de protéines sous la forme de fibrilles amyloïdes sont une composante caractéristique de plus de vingt maladies neurodégénératives incluant la maladie d’Alzheimer, la maladie de Parkinson et la maladie d’Huntington. Des nanotubes composés de peptides-α -D,L cycliques synthétiques peuvent mimer les propriétés structurelles et biochimiques des protéines amyloïdes. L’introduction de résidus aza-aminés dans des peptides α -D,L cycliques a été étudiée dans le but d’augmenter les interactions hydrogènes intermoléculaires entre les différents macrocycles superposés composant le nanotube. Les peptides aza-α-D,L cycliques devraient aussi posséder une meilleure capacité d’interaction avec les feuillets des oligomères amyloïdes. Le peptide d’intérêt CP-2 possède la séquence [l-J-w-H-s-K], où les lettres minuscules et majuscules font référence respectivement aux acides aminés D et L, les crochets indiquent une structure cyclique et la lettre « J » représente la norleucine. En exploitant la capacité des semicarbazides d’accroitre les ponts hydrogènes intermoléculaires, nous avons remplacés successivement chacun des acides aminés de la séquence CP-2 par un résidu aza-glycine, obtenant une librairie d’azapeptides cycliques. Ces peptides ont été testés pour leur propriété neuroprotectrice contre les amyloïdes en utilisant un essai de viabilité cellulaire (essai MTT). Le peptide où la D-serine a été remplacée par une aza-glycine, CP-2 (4), s’est avéré plus efficace que CP-2. Il s’agit du premier exemple d’introduction d’un résidu aza-aminé dans un peptide α-D,L cyclique, et ces résultats pourraient être extrapolés à d’autres peptides α-D,L cycliques d’intérêt thérapeutique.
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 | 0.000 | 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 | 0.000 | 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) | 0.002 | 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".