Počet záznamů: 1
Prediction of amphiphilic cell-penetrating peptide building blocks from protein-derived amino acid sequences for engineering of drug delivery nanoassemblies
- 1.
SYSNO ASEP 0534088 Druh ASEP J - Článek v odborném periodiku Zařazení RIV J - Článek v odborném periodiku Poddruh J Článek ve WOS Název Prediction of amphiphilic cell-penetrating peptide building blocks from protein-derived amino acid sequences for engineering of drug delivery nanoassemblies Tvůrce(i) Feger, G. (FR)
Angelov, Borislav (FZU-D) ORCID
Angelova, A. (FR)Celkový počet autorů 3 Zdroj.dok. Journal of Physical Chemistry B. - : American Chemical Society - ISSN 1520-6106
Roč. 124, č. 20 (2020), s. 4069-4078Poč.str. 10 s. Jazyk dok. eng - angličtina Země vyd. US - Spojené státy americké Klíč. slova small-angle scattering ; structural-characterization ; bioactive peptides ; rational design ; active peptides ; helical peptide ; surfactant ; nanotubes Vědní obor RIV BO - Biofyzika Obor OECD Biophysics CEP EF16_019/0000789 GA MŠMT - Ministerstvo školství, mládeže a tělovýchovy EF15_003/0000447 GA MŠMT - Ministerstvo školství, mládeže a tělovýchovy Způsob publikování Omezený přístup Institucionální podpora FZU-D - RVO:68378271 UT WOS 000537425700007 EID SCOPUS 85085265479 DOI 10.1021/acs.jpcb.0c01618 Anotace Amphiphilic molecules, forming self-assembled nanoarchitectures, are typically composed of hydrophobic and hydrophilic domains. Peptide amphiphiles can be designed from two, three, or four building blocks imparting novel structural and functional properties and affinities for interaction with cellular membranes or intracellular organelles. Here we present a combined numerical approach to design amphiphilic peptide scaffolds that are derived from the human nuclear K-i-67 protein. K-i-67 acts, like a biosurfactant, as a steric and electrostatic charge barrier against the collapse of mitotic chromosomes. The proposed predictive design of new K-i-67 protein-derived amphiphilic amino acid sequences exploits the computational outcomes of a set of web-accessible predictors, which are based on machine learning methods.
Pracoviště Fyzikální ústav Kontakt Kristina Potocká, potocka@fzu.cz, Tel.: 220 318 579 Rok sběru 2021 Elektronická adresa https://doi.org/10.1021/acs.jpcb.0c01618
Počet záznamů: 1