Fragment‐Screening und schnelle mikromolare Detektion mit einem Benchtop‐NMR‐Spektrometer ermöglicht durch photoinduzierte Hyperpolarisation
Bibliographic record
Abstract
Abstract Fragmentbasiertes Wirkstoffdesign ist eine gut etablierte Strategie für rationales Arzneimitteldesign, wobei die Kernspinresonanzspektroskopie (NMR) auf Hochfeldspektrometern als Referenzmethode für das Screening und die Hit‐Validierung dient. Hochfeld‐NMR‐Spektrometer sind jedoch nicht nur teuer, sondern erfordern auch eine spezielle Wartung, einen speziellen Raum und sind auf die Kühlung mit flüssigem Helium angewiesen, was angesichts der wiederkehrenden weltweiten Heliumknappheit kritisch geworden ist. Wir schlagen eine Alternative zum Hochfeld‐NMR‐Screening vor, indem wir den kürzlich entwickelten Ansatz des Fragment‐Screenings durch photoinduzierte hyperpolarisierte NMR auf einem kryogenfreien 80‐MHz‐Benchtop‐NMR‐Spektrometer anwenden, der Signalverstärkungen von bis zu drei Größenordnungen ermöglicht. Es wird gezeigt, dass es möglich ist, mit einem Benchtop‐NMR‐Spektrometer bei niedrigen mikromolaren Konzentrationen sowohl von Proteinen als auch von Liganden neue Hits zu entdecken und die Entwicklung von Medikamenten einzuleiten. Der vorgestellte Ansatz arbeitet mit höherer Geschwindigkeit als moderne Hochfeld‐NMR‐Ansätze und weist eine Nachweisgrenze im nanomolaren Bereich auf. Die photoinduzierte Hyperpolarisation ist bekanntlich kostengünstig und einfach zu implementieren, was der Philosophie von Benchtop‐NMR‐Spektrometern sehr entgegenkommt. Diese Ergebnisse ebnen den Weg für den Einsatz von Benchtop‐NMRunter nahezu physiologischen Bedingungen für die Entwicklung von Arzneimitteln und weitere Life‐Science‐Anwendungen.
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) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.011 | 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".