Kaspaasien aktiivisuuden havainnointi fluoresenssiin perustuvilla in vitro -menetelmillä
Bibliographic record
Abstract
Kaspaasit ovat ryhmä proteaaseja, jotka pilkkovat kohdeproteiinejaan tietyn aminohapon kohdalta. Niillä on aktiivisessa keskuksessaan kysteiiniä sisältävä sivuketju, joka toimii nukleofiilinä peptidisidoksen hydrolyysissä. Kaspaasit osallistuvat muun muassa solujen tasapainon ylläpitoon, ja niitä pidetäänkin apoptoosin biomarkkereina. Apoptoottisten kaspaasien lisäksi on olemassa myös tulehduksellisia kaspaaseja. Monet sairaudet liittyvät kaspaasien ja apoptoosin epänormaaliin toimintaan. Siksi kaspaasit ovatkin potentiaalinen lääkekohde, ja niille on kehitetty erilaisia peptidi-, pienmolekyyli- ja allosteerisia inhibiittoreita. \nMonet fluoresenssiin perustuvat kaspaasien aktiivisuuden havainnointiin käytettävät menetelmät hyödyntävät Försterin resonanssienergiansiirtoa (FRET), jossa energiaa siirtyy säteilemättömästi virittyneeltä donorilta akseptorille. Energiansiirto tapahtuu dipoli-dipolivuorovaikutusten avulla, kun donori ja akseptori ovat riittävän lähellä toisiaan, ja kun donorin emissiospektri on osittain päällekkäinen akseptorin absorptiospektrin kanssa. Kaspaasien havainnointiin käytettävät FRET koettimet sisältävät tietylle kaspaasille spesifin peptidisekvenssin, johon on konjugoitu donori- ja akseptorimolekyylit vastakkaisiin päihin. Kaspaasin pilkkoessa peptidin donorin ja akseptorin välinen etäisyys kasvaa, mikä voidaan havainta joko donorin fluoresenssin kasvuna tai akseptorin fluoresenssin laskuna. \nKaspaasien havainnointiin voidaan soveltaa myös aggregaation aiheuttamaa emissiota (AIE), jossa fluoresoivan molekyylin kasautuminen aiheuttaa fluoresenssin kasvua. AIE-koettimessa on peptidi, jonka proteaasi voi tunnistaa ja pilkkoa, mikä johtaa lopulta AIE-molekyylien aggregaatioon ja siten fluoresenssiin. Lisäksi kaspaaseja voidaan havainnoida fluorokromeilla leimatuilla inhibiittoreilla, jotka sitoutuvat suoraan aktivoituneen kaspaasin aktiiviseen keskukseen.
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) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.434 | 0.006 |
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; both teacher heads agree on what is shown here.
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".