Synthese d'un α-AApeptide derive d'un peptide RNase antibiofilm
Bibliographic record
Abstract
Le biofilm microbien est un problème de santé publique selon l'Organisation mondiale de la santé, lié à 75 % des infections humaines. Les biofilms sont des associations microbiennes bien organisées dans une matrice extracellulaire complexe. Les biofilms jouent le rôle de pool de bactéries et de barrière contre les antibiotiques ou pour héberger les cellules immunitaires. Les peptides ont été étudiés au cours des dernières décennies et ont montré une activité antibiofilm considérable même sur des micro-organismes résistants. Bien que très prometteuses, ces biomolécules présentent certaines limites in vivo, telles qu'une sensibilité protéolytique et une faible stabilité. Les peptidomimétiques, comme les AApeptides, sont une alternative viable pour résoudre ces limitations avec une plus grande résistance à la dégradation protéolytique. Objectif : Synthèse d’un α-AApeptide à partir d'un peptide 11-mer naturel hautement actif conçu à partir de plusieurs séquences génétiques du système de défense humain, montrant 50 % d'activité d'inhibition du biofilm à 15 μM vis-à-vis de Staphylococcus epidermidis. Méthode : La synthèse chimique est du type peptidique et a reposé sur la préparation d’unités AAdipeptidiques puis à la conjugaison de celles-ci selon um processus convergent. Résultats : Le 11-mer α-AApeptide a été synthétisé avec succès. La molécule peptidomimétique n'a en revanche pas démontré d'activité vis-à-vis des souches bactériennes étudiées en comparaison avec le peptide naturel Conclusions : Des études supplémentaires devront être menées sur le peptide et son peptidomimétique afin de justifier de cette différence d’effet. Une attention particulière sera portée à la structuration tridimensionnelle de ceux-ci.
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 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.001 |
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".