StickWRLD was made possible in part through funding provided to Dr. Ray by the Research Institute at Nationwide Children's Hospital, and by NSF grant DBI-1262457.

1. Descarga de software e instalación <ol><li> Use un equipo tiene un procesador Intel Core i5 o mejor procesador con al menos 4 GB de RAM, y está ejecutando Mac OS X o GNU / Linux (por ejemplo, Ubuntu) OS. Además, se requieren Python 2.7.6 10 y el wxPython 2.8 11, SciPy 12 y 13 bibliotecas PyOpenGL python - descargar e instalar cada uno de sus respectivos repositorios. </li><li> Descarga <a href="http://www.stickwrld.org" target="_blank">StickWRLD</a> como un archivo zip que contiene todos los scripts de Python pertinentes. Descarga el script &quot;fasta2stick.sh&quot; para la conversión de ADN FASTA secuencia de alineaciones / proteína estándar a formato StickWRLD. </li><li> Extrae el archivo y poner la carpeta StickWRLD resultante en el escritorio. Coloque el guión &quot;fasta2stick.sh&quot; en el escritorio también. </li></ol> 2. Prepare la alineación <ol><li> Crear una alineación de las secuencias de proteínas utilizando cualquier Stansoftware de alineación Dard (por ejemplo, ClustalX 14). Guarde la alineación en el escritorio en formato FASTA. </li><li> Abra la aplicación de terminal en el ordenador Mac o GNU / Linux y navegue hasta el escritorio (la ubicación del &quot;fasta2stick.sh&quot; shell script) escribiendo cd ~ / Desktop y presionando regreso. Ejecutar la secuencia de comandos &quot;fasta2stick.sh&quot; escribiendo ./fasta2stick.sh en la terminal. Si el script no se ejecuta, asegúrese de que es ejecutable - en el tipo de terminal chmod + x fasta2stick.sh para hacer el script ejecutable. </li><li> Siga las instrucciones en pantalla proporcionadas por la secuencia de comandos para especificar el nombre del archivo de entrada (el archivo creado en 1.2 anterior) y el nombre de salida deseada. Guarde el archivo de salida (que ahora está en el formato correcto para StickWRLD) en el escritorio. </li></ol> 3. Lanzamiento StickWRLD <ol><li> Navegue en los ejecutables StickWRLD carpeta mediante la aplic terminalesación de la computadora Mac o GNU / Linux. Por ejemplo, si la carpeta StickWRLD está en el escritorio, escriba cd ~ / Desktop / StickWRLD / exec en el terminal. </li><li> Lanzamiento StickWRLD escribiendo python-32 stickwrld_demo.py en la terminal. </li><li> Compruebe que el panel StickWRLD Data Loader es visible en la pantalla (Figura 3). </li></ol> 4. Cargando los Datos <ol><li> Cargue el convertida secuencia de la proteína alineación pulsando el botón &quot;Cargar Proteína ...&quot;. </li><li> Seleccione el archivo creado en el paso 3 anterior y pulse &quot;Abrir&quot;. StickWRLD abrirá varias ventanas nuevas, incluyendo &quot;Control StickWRLD&quot; (Figura 4) y &quot;StickWRLD - OpenGL&quot; (Figura 5). </li><li> Seleccione la - ventana &quot;StickWRLD OpenGL&quot;. Seleccione la opción &quot;Cambiar Vista&quot; en el menú &quot;OpenGL&quot; para mostrar la visualización StickWRLD defecto en un &quot;top-down&quot;Vista a través del cilindro que representa los datos en las ventanas de tamaño variable OpenGL .. </li></ol> 5. Ver las opciones <ol><li> Seleccione las casillas para &quot;Etiquetas de columna&quot; y &quot;etiquetas Ball&quot; en el &quot;StickWRLD control&quot; panel (Figura 4) para mostrar los valores para las columnas y las bolas. </li><li> Desactive la casilla de &quot;Bordes de columna&quot; en el panel &quot;Control StickWRLD&quot; para ocultar las líneas de borde de la columna. </li><li> Ajuste el &quot;Grosor Columna&quot; a 0.1 en el panel &quot;Control StickWRLD&quot; trazar una línea delgada a través de las columnas, por lo que es más fácil de navegar la vista 3D. Pulse RETURN para aceptar el cambio. </li><li> Cambiar la vista en el &quot;StickWRLD - OpenGL&quot; ventana como en el paso 5.3 anterior, a continuación, pulse el botón de &quot;pantalla completa&quot; para maximizar la vista. </li></ol> 6. Navegación <ol><li> Gire la pantalla 3D StickWRLD manteniendo pulsado el botón izquierdo del ratón while mueve el ratón en cualquier dirección. </li><li> Ampliar la pantalla 3D StickWRLD manteniendo pulsado el botón derecho del ratón mientras se mueve el ratón hacia arriba o hacia abajo. </li></ol> 7. Encontrar interposicional Dependencias (IPD) <ol><li> Echa un vistazo a la vista por la panorámica y zoom como se describe en el paso 6. residuos coevolving superiores a los requisitos mínimos de tanto p como residual están conectados a través de líneas de borde como se ve en la figura 6. Si hay demasiados o demasiado pocos bordes que conectan los residuos, cambie el Residual umbral (en el panel &quot;Control StickWRLD&quot;) para mostrar menos, o más, bordes. </li><li> Aumentar el umbral residual sobre el Control Panel StickWRLD hasta que no haya líneas de borde IPD se muestran y rampa lentamente hacia abajo hasta que aparezcan las relaciones. Continúa aumentando el residual hasta que tenga un número suficiente de relaciones examinar. </li><li> Identificar las relaciones que implican cualquiera de los residuos de interés conocida (por ejemplo, dentro de un motivo o vinculante / diversiónsitio ficticio) o residuos que son distal entre sí dentro de la alineación (que sugiere que son proximal en la proteína plegada) </li></ol> 8. Selección y Almacenamiento de resultados <ol><li> Mediante el comando + clic izquierdo sobre cualquier borde de interés. El panel de control StickWRLD indicará las columnas y conectar residuos específicos, por ejemplo, &quot;(124 | G) (136 | H)&quot; (Figura 7). Las líneas continuas representan asociaciones positivas; líneas discontinuas representan asociaciones negativas. </li><li> Pulse el botón &quot;Bordes de salida&quot; en el panel &quot;StickWRLD de control&quot; para guardar un archivo con formato de texto plano (edge_residual.csv) de todos los bordes visibles, incluyendo los residuos acumulados y sus valores residuales reales, en el / StickWRLD / exec / directorio. </li></ol>

<ol>
	<li>Ray, W. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Addressing+the+unmet+need+for+visualizing+conditional+random+fields+in+biological+data.">Addressing the unmet need for visualizing conditional random fields in biological data.</a> BMC. 15, 202 (2014).</li><li>Sullivan, B. J., Durani, V., Magliery, T. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Triosephosphate+isomerase+by+consensus+design:+dramatic+differences+in+physical+properties+and+activity+of+related+variants.">Triosephosphate isomerase by consensus design: dramatic differences in physical properties and activity of related variants.</a> Journal of molecular biology. 413, 195-208 (2011).</li><li>Smith, M. A., Bedbrook, C. N., Wu, T., Arnold, F. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Hypocrea+jecorina+cellobiohydrolase+I+stabilizing+mutations+identified+using+noncontiguous+recombination.">Hypocrea jecorina cellobiohydrolase I stabilizing mutations identified using noncontiguous recombination.</a> ACS synthetic biology. 2, 690-696 (2013).</li><li>Ray, W. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Understanding+the+sequence+requirements+of+protein+families:+insights+from+the+BioVis+2013+contests.">Understanding the sequence requirements of protein families: insights from the BioVis 2013 contests.</a> BMC proceedings. 8, S1 (2014).</li><li>Eddy, S. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=What+is+a+hidden+Markov+model?.">What is a hidden Markov model?.</a> Nature biotechnology. 22, 1315-1316 (2004).</li><li>Ray, W. C., Ozer, H. G., Armbruster, D. W., Daniels, C. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Beyond+identity+-+when+classical+homology+searching+fails,+why,+and+what+you+can+do+about+it.">Beyond identity - when classical homology searching fails, why, and what you can do about it.</a> Proceedings of the 4th Ohio Collaborative Conference on Bioinformatics. , 51-56 (2009).</li><li>Ovchinnikov, S., Kamisetty, H., Baker, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Robust+and+accurate+prediction+of+residue-residue+interactions+across+protein+interfaces+using+evolutionary+information.">Robust and accurate prediction of residue-residue interactions across protein interfaces using evolutionary information.</a> eLife. 3, e02030 (2014).</li><li>Trudeau, D. L., Lee, T. M., Arnold, F. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Engineered+thermostable+fungal+cellulases+exhibit+efficient+synergistic+cellulose+hydrolysis+at+elevated+temperatures.">Engineered thermostable fungal cellulases exhibit efficient synergistic cellulose hydrolysis at elevated temperatures.</a> Biotechnology and bioengineering. 111, 2390-2397 (2014).</li><li>Ray, W. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=MAVL+and+StickWRLD:+visually+exploring+relationships+in+nucleic+acid+sequence+alignments.">MAVL and StickWRLD: visually exploring relationships in nucleic acid sequence alignments.</a> Nucleic acids research. 32, W59-W63 (2004).</li><li>. Python Language Reference v.2.7.6 Available from: <a target="_blank" href="https://www.python.org/download/releases/2.7.6/">https://www.python.org/download/releases/2.7.6/</a> (2014)</li><li>. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> PyOpenGL The Python OpenGL Binding. , (2014).</li><li>Larkin, M. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Clustal+W+and+Clustal+X+version+2.0.">Clustal W and Clustal X version 2.0.</a> Bioinformatics. 23, 2947-2948 (2007).</li><li>Ozer, H. G., Ray, W. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=MAVL/StickWRLD:+analyzing+structural+constraints+using+interpositional+dependencies+in+biomolecular+sequence+alignments.">MAVL/StickWRLD: analyzing structural constraints using interpositional dependencies in biomolecular sequence alignments.</a> Nucleic acids research. 34, W133-W136 (2006).</li><li>Ray, W. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=MAVL/StickWRLD+for+protein:+visualizing+protein+sequence+families+to+detect+non-consensus+features.">MAVL/StickWRLD for protein: visualizing protein sequence families to detect non-consensus features.</a> Nucleic acids research. 33, W315-W319 (2005).</li><li>Ray, W. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+Visual+Analytics+approach+to+identifying+protein+structural+constraints.">A Visual Analytics approach to identifying protein structural constraints.</a> IEEE. , 249-250 (2010).</li><li>Wheeler, T. J., Clements, J., Finn, R. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Skylign:+a+tool+for+creating+informative,+interactive+logos+representing+sequence+alignments+and+profile+hidden+Markov+models.">Skylign: a tool for creating informative, interactive logos representing sequence alignments and profile hidden Markov models.</a> BMC bioinformatics. 15, 7 (2014).</li><li>Perrier, V., Burlacu-Miron, S., Bourgeois, S., Surewicz, W. K., Gilles, A. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Genetically+engineered+zinc-chelating+adenylate+kinase+from+Escherichia+coli+with+enhanced+thermal+stability.">Genetically engineered zinc-chelating adenylate kinase from Escherichia coli with enhanced thermal stability.</a> The Journal of biological chemistry. 273, 19097-19101 (1998).</li></ol>

The authors declare that they have no competing financial interests.

StickWRLD ha sido utilizado con éxito para identificar tales IPDs en el dominio de la tapa adenilato quinasa 16, así como bases de ADN asociadas en terminadores Rho-dependiente 9, y una novela especificidad empalme de sitio en Arqueales tRNA endonucleasa intrón 6 sitios diana. Estos IPDs no eran detectables a través de un examen directo de las alineaciones. StickWRLD muestra cada posición de una alineación como una columna de 20 &quot;esferas&quot;, donde cada esfera representa uno de los residuos de aminoácidos 20 y el tamaño de la esfera indica la frecuencia de ocurrencia de ese residuo en particular dentro de esa columna (Figura 4). Las columnas se disponen en un cilindro, con líneas de borde que conecta los residuos en diferentes columnas (que indica una IPD). Estas líneas de borde solamente se dibujan si los residuos correspondientes se covarying a una frecuencia superando tanto el valor p (significado) y (- esperados observados) residuales umbrales. La detección de co-produciendo residuos interdependientes, o IPDs, en las regiones distales de una secuencia de ADN o de proteínas alineación es difícil el uso de herramientas de alineación de secuencia estándar de 6. Si bien estas herramientas generan un consenso, o motivo, la secuencia, este consenso es en muchos casos un simple promedio de mayoría regla y no expresa las relaciones de covariación que pueden formar una o más sub-motivos - grupos de residuos que tienden a co-evolucionan. Incluso los modelos HMM, que son capaces de detectar las dependencias vecinas, no puede con precisión modelo motivos de secuencia con IPDs distales 5. El resultado es que el consenso calculada puede de hecho ser una secuencia &quot;sintético&quot; no encontrado en la naturaleza - y las proteínas de ingeniería basados ​​en tales consenso computacional no puede, de hecho, ser óptima. De hecho, el HMM para ADK Pfam sugiere que una proteína quimérica que contiene medio del motivo de tetracisteína, y la mitad de la H, S, D, T motivo, es funcionalmente igual de aceptablescomo cualquier ADK realmente existente. Este no es el caso, ya que tales quimeras (y muchos otros blendings de estos motivos) son catalíticamente muertos 4,19. Al buscar correlaciones, es crítico que se puede modificar el umbral residual para permitir el descubrimiento de correlaciones pertinentes estableciendo el umbral por encima del nivel en el que los bordes se ven y luego rampa gradualmente el umbral hacia abajo. Esto asegura que sólo los bordes más significativos se consideran inicialmente. Un enfoque alternativo es comenzar con el umbral fijado residual extremadamente bajo. Esto da como resultado la visualización de todos los bordes significativos. Desde aquí el umbral residual lentamente se puede aumentar, permitiendo bordes para abandonan hasta que los patrones emergen. Si bien este enfoque es menos útil cuando se busca la inclusión de los nodos específicos (por ejemplo, aplicación de los conocimientos de dominio), que permite el descubrimiento de relaciones inesperadas usando StickWRLD como un visherramienta analítica ual para descubrir patrones emergentes en la visualización de datos. StickWRLD está limitada principalmente por la memoria disponible del sistema en el que se ejecuta, así como la resolución del dispositivo de visualización. Aunque no hay límite teórico para el número de puntos de datos StickWRLD puede examinar, y secuencias de hasta 20.000 posiciones han sido probados, en la práctica StickWRLD realiza mejor con secuencias de hasta alrededor de 1000 posiciones. La principal ventaja de StickWRLD reside en su capacidad para identificar grupos de residuos que covarían uno con el otro. Esta es una ventaja significativa sobre el enfoque tradicional de la secuencia de consenso estadístico, que es un promedio estadístico simple y no toma en cuenta la coevolución. Si bien en algunos casos los residuos covarying pueden simplemente ser un artefacto de la filogenia, incluso estos residuos han resistido la &quot;prueba de la selección&quot;, y como tal, no es probable que en detrimento de la functionadad de cualquier proteína diseñada para incluirlos. Durante el uso de StickWRLD para identificar IPDs en una secuencia de ADN o proteína canónica consenso / motivo antes de variantes de ingeniería sintéticos reducirá el potencial de error y apoyar la optimización rápida de la función, hay que señalar que StickWRLD se puede utilizar como una herramienta de identificación de correlación generalizada y no se limita exclusivamente a los datos de proteínas. StickWRLD se puede utilizar para descubrir visualmente la co-ocurrencia de cualquier variable en cualquier conjunto de datos correctamente codificada.

Alineaciones de proteínas han sido utilizados para evaluar la similitud de los residuos en una familia de proteínas. Con frecuencia las características más interesantes de una proteína (por ejemplo, los sitios de unión catalíticos u otros) son el resultado de plegamiento de proteínas trayendo regiones distales de la secuencia lineal en contacto, y como resultado de estas regiones aparentemente no relacionados en la alineación tienden a evolucionar y cambiar en de manera coordinada. En otros casos, la función de una proteína puede ser dependiente de su firma electrostática, y las mutaciones que afectan a la electrónica dipolo son compensadas por cambios en residuos cargados distantes. Efectos alostéricos también pueden inducir a largo plazo dependencias secuenciales y espaciales entre las identidades de residuos. Independientemente de su origen, estas covariaciones funcionalmente necesarios, de residuos - dependencias inter-posicionales (IPDS) - no pueden ser obvios con el examen visual de la alineación (Figura 1). Identificación de IPDs - así como deque los residuos específicos dentro de esas posiciones tienden a covariar como unidad - puede revelar pistas importantes sobre los procesos de plegamiento de proteínas y la formación de sitios funcionales. Esta información puede ser utilizada para optimizar (ingeniería) proteínas sintéticas en términos de termoestabilidad y actividad. Durante mucho tiempo se ha sabido que no todas las mutaciones puntuales hacia el consenso proporcionan una estabilidad mejorada o actividad. Más recientemente, las proteínas diseñadas para tomar ventaja de IPDs conocidos en su secuencia se ha demostrado que resultará en una mayor actividad que la misma proteína diseñada estrictamente de consenso 1,2 (manuscrito en preparación), similar a la idea de la estabilización de 3 mutaciones puntuales. Por desgracia, los modelos tradicionales de creación de consenso (por ejemplo, gobierno de la mayoría) sólo capturan IPDs por accidente. Métodos de consenso y Matrix posición de anotar específico ignoran IPDs y sólo &quot;correctamente&quot; los incluyen en los modelos, cuando los residuos dependientestambién son los residuos más populares para esas posiciones en la familia. Modelos de cadena de Markov pueden capturar IPDs cuando están secuencialmente proximal, pero su implementación típica ignora todo excepto vecinos secuenciales inmediatos, e incluso en su mejor momento, los cálculos Hidden Markov Model (ver Figura 2) se vuelven intratables cuando dependencias están separados en la secuencia de más de una docena de posiciones 4. Desde estas IPDs esencialmente forman &quot;sub-motivos&quot; que no puede ser predicho por simple &quot;regla de la mayoría&quot; o modelos de consenso incluso basados ​​en HMM-5,6 el resultado puede ser un &quot;consenso&quot; biológicamente inválida que no es sólo no se ve en la naturaleza, pero es menos viables que cualquier proteína existente. Los sistemas basados ​​en Markov Random Fields, como GREMLIN 7, intentan superar estos problemas. Además mientras que las técnicas biológicas / bioquímicas sofisticadas, tales como 3,8 recombinación no contiguo se pueden utilizar para ideelementos de proteínas esenciales ntify por región, requieren mucho tiempo y trabajo de banco para un solo par de bases de precisión a alcanzar. StickWRLD 9 es un programa basado en Python que crea una representación interactiva 3D de una alineación de proteína que hace IPDs clara y fácil de entender. Cada posición en la alineación se representa como una columna en la pantalla, donde cada columna se compone de una pila de esferas, uno para cada uno de los 20 aminoácidos que podrían estar presentes en esa posición dentro de la alineación. El tamaño de la esfera depende de la frecuencia de ocurrencia del aminoácido, de tal manera que el usuario puede recoger inmediatamente el residuo consenso o la distribución relativa de los aminoácidos dentro de esa posición con sólo mirar el tamaño de las esferas. Las columnas que representan a cada posición se envuelven alrededor de un cilindro. Esto le da a cada esfera que representa un posible aminoácido en cada posición en la alineación, una &quot;línea de visión&quot; claraa cualquier otra posibilidad de aminoácido en cada otra posición. Antes de visualización, StickWRLD calcula la fuerza de la correlación entre todas las combinaciones posibles de residuos para identificar la IPDs 9. Para representar IPDs, las líneas se dibujan entre los residuos que se coevolving en un mayor o menor de lo que se esperaría si los residuos presentes en las posiciones eran independientes (IPDs). Esto no sólo muestra la visualización que las posiciones de secuencia interactúan evolutivamente, pero como las líneas de borde IPD se dibujan entre las esferas de aminoácidos en cada columna, el usuario puede determinar rápidamente qué aminoácidos específicos tienden a ser coevolving en cada posición. El usuario tiene la capacidad de rotar y explorar la estructura IPD visualizado, así como dinámicamente cambiar los umbrales estadísticos que controlan la visualización de correlaciones, haciendo StickWRLD una herramienta poderosa para el descubrimiento IPDs. Aplicaciones como GREMLIN 7 similarly mostrar compleja información relacional entre los residuos - pero estas relaciones se calculan a través de modelos de Markov más tradicionales, que no están diseñados para determinar las relaciones condicionales. Como tales, estos son capaces de ser visualizado como proyecciones 2D. Por el contrario, StickWRLD puede calcular y mostrar las dependencias condicionales de múltiples nodos, que pueden ser ofuscado si representa como un gráfico 2D (un fenómeno conocido como oclusión borde). Vista de StickWRLD 3D también tiene varias otras ventajas. Al permitir a los usuarios manipular los visuales - características que pueden ser ofuscado o poco intuitivos en una representación 2D se puede observar más fácilmente en el cilindro 3D de StickWRLD - paneo, rotación y zoom. StickWRLD es esencialmente una herramienta visual de análisis, aprovechando el poder de la capacidad de reconocimiento de patrones del cerebro humano a ver patrones y tendencias, y la posibilidad de explorar los datos desde diversas perspectivas se presta a ello.

<table border="0" cellpadding="0" cellspacing="0">
	<tbody>
		<tr>
			<td>Mac or Ubuntu OS computer</td>
			<td>Various</td>
			<td>NA</td>
			<td>Any Mac or linux (e.g. Ubuntu) computer capable of running python &#38; associated shell scripts</td>
		</tr>
		<tr>
			<td>Python programming language</td>
			<td>python.org</td>
			<td>NA</td>
			<td>Python version 2.7.6 or greater recommended</td>
		</tr>
		<tr>
			<td>wxPython library</td>
			<td>wxpython.org</td>
			<td>NA</td>
			<td>Latest version recommended</td>
		</tr>
		<tr>
			<td>SciPy library</td>
			<td>scipy.org</td>
			<td>NA</td>
			<td>Latest version recommended</td>
		</tr>
		<tr>
			<td>PyOpenGL library</td>
			<td>pyopengl.sourceforge.net</td>
			<td>NA</td>
			<td>Latest version recommended</td>
		</tr>
		<tr>
			<td>StickWRLD Python scripts</td>
			<td>NCH BCCM</td>
			<td>NA</td>
			<td>Available from http://www.stickwrld.org</td>
		</tr>
		<tr>
			<td>fasta2stick.sh file converter</td>
			<td>NCH BCCM</td>
			<td>NA</td>
			<td>Available from http://www.stickwrld.org</td>
		</tr>
		<tr>
			<td>Protein and/or DNA sequence data</td>
			<td>NA</td>
			<td>NA</td>
			<td>Samples available at http://www.stickwrld.org</td>
		</tr>
	</tbody>
</table>

optimization of synthetic proteins: identification of interpositional dependencies indicating structurally and/or functionally linked residues

Alineaciones de proteínas se utilizan comúnmente para evaluar la similitud de los residuos de proteínas, y la secuencia de consenso derivada utilizan para la identificación de las unidades funcionales (por ejemplo, dominios). Los modelos tradicionales de creación de consenso no dan cuenta de las dependencias interposicionales - funcionalmente covariación requerido de residuos que tienden a aparecer de manera simultánea durante la evolución y en todo el árbol filogenética. Estas relaciones pueden revelar pistas importantes sobre los procesos de plegamiento de proteínas, termoestabilidad, y la formación de sitios funcionales, que a su vez se pueden utilizar para informar a la ingeniería de proteínas sintéticas. Por desgracia, estas relaciones esencialmente forman sub-motivos que no puede ser predicho por simple &quot;regla de la mayoría&quot; o modelos de consenso incluso basados ​​en HMM, y el resultado puede ser un &quot;consenso&quot; biológicamente no válido que no sólo no se ve en la naturaleza, pero es menos viable que cualquier proteína existente. Hemos desarrollado un una visualherramienta alytics, StickWRLD, lo que crea una representación interactiva 3D de una alineación de proteínas y claramente muestra covarying residuos. El usuario tiene la capacidad de desplazarse y hacer zoom, así como dinámicamente cambiar el umbral estadístico subyacente a la identificación de los covariantes. StickWRLD previamente ha sido utilizado con éxito para identificar los residuos covarying funcionalmente necesarios-en proteínas tales como la adenilato quinasa y en las secuencias de ADN, tales como sitios diana de la endonucleasa.

StickWRLD se ha utilizado anteriormente para detectar dependencias de interposición (IPDS) entre los residuos en ambos ADN y la proteína 3 15-17 alineaciones. Estos residuos co-evolución, mientras que a menudo distal uno de otro en la secuencia de alineación, son a menudo proximal uno al otro en la proteína plegada. StickWRLD permite un rápido descubrimiento de residuos específicos de co-ocurrencia en dichos sitios, por ejemplo., Una alanina en la posición &quot;x&quot; está fuertemente correlacionada con una treonina en la posición &quot;y&quot;. Estas correlaciones pueden ser indicativos de relaciones estructurales demostrables, y por lo general son los sitios que, por necesidad, co-evolucionan. StickWRLD es capaz de detectar estas relaciones, incluso cuando más &quot;tradicional&quot; enfoques utilizando HMMs para describir motivos fallan. Por ejemplo, el análisis de la alineación del dominio PFAM tapa ADK usando StickWRLD revela una fuerte correlación positiva entre las cisteínas (C) en las posiciones 4 y 8 y un coordinadapar de C en las posiciones 35 y 38. Al mismo tiempo, StickWRLD mostró una fuerte relación positiva similar entre histidina (H) y serina (S) a las 4 y 8, con unas fuertes relaciones negativas entre estos y el cuarteto C a 4, 8, 35 y 38, y una fuerte relación positiva con ácido aspártico (D) y treonina (T) en las posiciones 35 y 38 respectivamente. Existen IPDs adicionales entre la H, S, D, T motivo y una T y G en la posición 10 y 29 **** en B subtilis **** destacando el carácter condicional de estas IPDs - el motivo tetracisteína no lo hace &quot;cuidado&quot; acerca de las identidades de estas dos posiciones, mientras que el H hidrófila, S, D, T tríada requiere residuos específicos en estas posiciones casi absolutamente. Estos dos motivos residuos dependientes de la posición completamente diferentes pueden cumplir el mismo papel que la tapa ADK. Como puede verse en la Figura 6, un gran grupo de IPDs, incluyendo una asociación de 3-nodo entre G (glicina) en la posición 132, Y (tirosina) en la posición 135, y un P (Proline) en la posición 141, es visible en primer plano (Figura 6A). En la Figura 6B, la vista ha sido sesgada para posicionar al usuario un poco por encima del cilindro, revelando una IPD entre un H (histidina) en la posición 136 y una M (metionina) en la posición 29, 107 residuos distante. Un motivo derivado de HMM PFAM del mismo dominio (Figura 2), por su parte, no sólo no detecta estos como específicamente variantes co-ocurrentes motivo, pero también define los grupos globales en un esquema biológicamente no soportado 16. <img alt="Figura 1" src="/files/ftp_upload/52878/52878fig1highres.jpg" width="500" /> Figura 1. &quot;Subway Mapa&quot; representación de la B. subtilis adenosina quinasa estructura de dominio (ADK) Tapa. Las flechas indican IPDs identificados en la alineación de PFAM dominio Tapa ADK por StickWRLD. StickWRLD es capaz de identificar correctamente IPDs dentro de un clúster of residuos que se encuentran en las proximidades de la proteína plegada. De particular interés son la T y G par en las posiciones 9 y 29, que sólo forman una IPD cuando la tétrada de residuos en 4, 7, 24, y 27 no es C, C, C, C). Número de residuos que se muestra representa B. subtilis posiciones de alineación posición y no PFAM. <a href="https://www.jove.com/files/ftp_upload/52878/52878fig1highres.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a> <img alt="Figura 2" src="/files/ftp_upload/52878/52878fig2highres.jpg" width="700" /> Figura 2. Skylign 18 Hidden Markov Model (HMM) Logo Secuencia del dominio tapa ADK. Mientras HMMs son herramientas poderosas para determinar las probabilidades en cada posición, así como la contribución de cada sitio al modelo general, la independencia posicional de HMMs los hace inadecuado para la detección de IPDs. Este modelo no sugiere ninguna de lasdependencias visto en las representaciones StickWRLD (Figura 6). <a href="https://www.jove.com/files/ftp_upload/52878/52878fig2highres.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a> <img alt="Figura 3" src="/files/ftp_upload/52878/52878fig3.jpg" /> Figura 3. El cargador de datos StickWRLD. Los usuarios pueden elegir a partir de datos de demostración existentes o cargar sus propios datos en forma de secuencia de ADN o de proteínas alineaciones. <img alt="Figura 4" src="/files/ftp_upload/52878/52878fig4highres.jpg" width="600" /> Figura 4. La ventana Control StickWRLD. El panel de control permite al usuario cambiar varias propiedades de la vista, así como regular los umbrales que controlan la visualización de líneas de borde que indican las relaciones entre los residuos (IPDS). Un círculo en rojo son los valores predeterminados que normalmente necesitan t<html> o ajustarse para optimizar la visión de cualquier conjunto de datos. El valor residual establece el umbral de (esperado observados) para los que se dibujan líneas conector / asociación. Los controles para la columna y Bolas etiquetas controlan si la posición de la columna y los valores de residuos (por ejemplo, &quot;A&quot; para arginina) se muestran. Las palancas de control de la línea de borde de columna dentro y fuera de la pantalla de líneas de borde de conexión columnas - para los conjuntos de datos densos Esto es mejor apagados. Los controles de espesor de la columna si la columna en sí o no se muestra -. Ajuste a un valor muy pequeño (por ejemplo, 0,1) se traza una línea a través de las esferas de la columna, por lo que es fácil distinguir las columnas entre sí <a href="https://www.jove.com/files/ftp_upload/52878/52878fig4highres.jpg" target="_blank">por favor haga clic aquí para ver una versión más grande de esta figura.</a> <html> ghres.jpg &quot;width =&quot; 600 &quot;/&gt; Figura 5. Vista inicial de la ventana StickWRLD OpenGL con la adenilato quinasa dominio tapa conjunto de datos proteína cargada. La perspectiva inicial se ve &quot;abajo&quot; a través del cilindro compuesto por las posiciones de alineación de secuencias. El usuario puede girar el cilindro utilizando izquierda-clic del ratón y arrastre, y hacer zoom in / out usando el botón derecho del ratón, haga clic y arrastre. La vista inicial es bastante denso porque la pantalla por defecto muestra incluso pequeñas tasas de co-evolución. Para muchas proteínas, en esta configuración, módulos distintos pueden ser detectados, pero incluso en densamente co-evolución de las proteínas de la pantalla se puede simplificarse con rapidez y de forma interactiva para encontrar los IPDs más importantes utilizando la interfaz StickWRLD. <a href="https://www.jove.com/files/ftp_upload/52878/52878fig5highres.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a> ghres.jpg &quot;width =&quot; 700 &quot;/&gt; Figura 6. Vista de cerca de una visualización StickWRLD de la proteína de dominio tapa adenilato quinasa. Aquí hemos cambiado el valor por defecto residual a 0,2. Esto aumenta el umbral para la visualización de los bordes inter-residuos, mostrando un menor número de bordes. Los bordes que quedan indican IPDs fuertemente asociados. Además de la vista se ha girado y ampliada para permitir una mejor visualización de los bordes. (A) Un gran grupo de IPDs es visible en el primer plano, incluyendo una asociación de 3-nodo entre G (glicina) en la posición 132, Y (tirosina) en la posición 135, y un P (prolina) en la posición 141. (B) La vista ha sido sesgada para posicionar al usuario un poco por encima del cilindro, revelando una IPD entre un H (histidina) en la posición 136 y una M (metionina) en la posición 29, 107 residuos lejano. <a href="https://www.jove.com/files/ftp_upload/52878/52878fig6highres.jpg" target="_blank">Por favor, haga clic aquí para ver una versión más grande de esta figura.</a><img alt="Figura 7" src="/files/ftp_upload/52878/52878fig7.jpg" /> Figura 7. Ventana Control StickWRLD inferior derecha vista de información. CTRL + clic izquierdo sobre un objeto (por ejemplo, la esfera o borde) en la ventana OpenGL muestra la información para el objeto en la parte inferior derecha de la ventana de Control StickWLRD. Aquí vemos la información para un borde IPD entre una metionina en la posición 29 y una histidina en la posición 136.

Watch this Scientific Journal Video about Optimization of Synthetic Proteins: Identification of Interpositional Dependencies Indicating Structurally and/or Functionally Linked Residues at JoVE.com

Optimization of Synthetic Proteins: Identification of Interpositional Dependencies Indicating Structurally and/or Functionally Linked Residues

Synthetic protein sequences based on consensus motifs typically ignore co-evolving residues, that imply interpositional dependencies (IPDs). IPDs can be essential to activity, and designs that disregard them may result in suboptimal results. This protocol uses StickWRLD to identify IPDs and help inform rational protein design, resulting in more efficient results.

Optimización de las proteínas sintéticas: Identificación de interposicional Dependencias de indicación Estructuralmente y / o Residuos Funcionalmente Vinculados

Protein alignments are commonly used to evaluate the similarity of protein residues, and the derived consensus sequence used for identifying functional ...

optimization-synthetic-proteins-identification-interpositional

Research

JoVE Journal

Chemistry

7.2K vistas.  The Research Institute at Nationwide Children's Hospital. Synthetic protein sequences based on consensus motifs typically ignore co-evolving residues, that imply interpositional dependencies (IPDs). IPDs can be essential to activity, and designs that disregard them may result in suboptimal results. This protocol uses StickWRLD to identify IPDs and help inform rational protein design, resulting in more efficient results.

Video: Optimization of Synthetic Proteins: Identification of Interpositional Dependencies Indicating Structurally and/or Functionally Linked Residues

Towards Biomimicking Wood: Fabricated Free-standing Films of Nanocellulose, Lignin, and a Synthetic Polycation

Woody materials are comprised of plant cell walls that contain a layered secondary cell wall composed of structural polymers of polysaccharides and lignin. Layer-by-layer (LbL) assembly process which relies on the assembly of oppositely charged molecules from aqueous solutions was used to build a freestanding composite film of isolated wood polymers of lignin and oxidized nanofibril cellulose (NFC). To facilitate the assembly of these negatively charged polymers, a positively charged polyelectrolyte, poly(diallyldimethylammomium chloride) (PDDA), was used as a linking layer to create this simplified model cell wall. The layered adsorption process was studied quantitatively using quartz crystal microbalance with dissipation monitoring (QCM-D) and ellipsometry. The results showed that layer mass/thickness per adsorbed layer increased as a function of total number of layers. The surface coverage of the adsorbed layers was studied with atomic force microscopy (AFM). Complete coverage of the surface with lignin in all the deposition cycles was found for the system, however, surface coverage by NFC increased with the number of layers. The adsorption process was carried out for 250 cycles (500 bilayers) on a cellulose acetate (CA) substrate. Transparent free-standing LBL assembled nanocomposite films were obtained when the CA substrate was later dissolved in acetone. Scanning electron microscopy (SEM) of the fractured cross-sections showed a lamellar structure, and the thickness per adsorption cycle (PDDA-Lignin-PDDA-NC) was estimated to be 17 nm for two different lignin types used in the study. The data indicates a film with highly controlled architecture where nanocellulose and lignin are spatially deposited on the nanoscale (a polymer-polymer nanocomposites), similar to what is observed in the native cell wall.

The objective of this research was to form synthetic plant cell wall tissue using layer-by-layer assembly of nanocellulose fibrils and isolated lignin assembled from dilute aqueous suspensions.&#160; Surface measurement techniques of quartz crystal microbalance and atomic force microscopy were used to monitor the formation of the polymer-polymer nanocomposite material.

Hacia Biomimicking Madera: Fabricada en monobloque películas de nanocellulose, lignina, y una Policatión sintético

Woody materials are comprised of plant cell walls that contain a layered secondary cell wall composed of structural polymers of polysaccharides and ...

Investigación

Química

Stabilizing Hepatocellular Phenotype Using Optimized Synthetic Surfaces

Currently, one of the major limitations in cell biology is maintaining differentiated cell phenotype. Biological matrices are commonly used for culturing and maintaining primary and pluripotent stem cell derived hepatocytes. While biological matrices are useful, they permit short term culture of hepatocytes, limiting their widespread application. We have attempted to overcome the limitations using a synthetic polymer coating. Polymers represent one of the broadest classes of biomaterials and possess a wide range of mechanical, physical and chemical properties, which can be fine-tuned for purpose. Importantly, such materials can be scaled to quality assured standards and display batch-to-batch consistency. This is essential if cells are to be expanded for high through-put screening in the pharmaceutical testing industry or for cellular based therapy. Polyurethanes (PUs) are one group of materials that have shown promise in cell culture. Our recent progress in optimizing a polyurethane coated surface, for long-term culture of human hepatocytes displaying stable phenotype, is presented and discussed.

This article will focus on developing polymer coated surfaces for long-term, stable culture of stem cell derived human hepatocytes.

Estabilizar hepatocelular Fenotipo Usando superficies sintéticas optimizadas

Currently, one of the major limitations in cell biology is maintaining differentiated cell phenotype. Biological matrices are commonly used for culturing ...

Synthetic Methodology for Asymmetric Ferrocene Derived Bio-conjugate Systems via Solid Phase Resin-based Methodology

Early detection is a key to successful treatment of most diseases, and is particularly imperative for the diagnosis and treatment of many types of cancer. The most common techniques utilized are imaging modalities such as Magnetic Resonance Imaging (MRI), Positron Emission Topography (PET), and Computed Topography (CT) and are optimal for understanding the physical structure of the disease but can only be performed once every four to six weeks due to the use of imaging agents and overall cost. With this in mind, the development of &#8220;point of care&#8221; techniques, such as biosensors, which evaluate the stage of disease and/or efficacy of treatment in the clinician&#8217;s office and do so in a timely manner, would revolutionize treatment protocols.1 As a means to exploring ferrocene based biosensors for the detection of biologically relevant molecules2, methods were developed to produce ferrocene-biotin bio-conjugates described herein. This report will focus on a biotin-ferrocene-cysteine system that can be immobilized on a gold surface.

The synthesis of asymmetric species of ferrocene is challenging using solution techniques. This report focuses on the methods carried out to produce a ferrocene-biotin bioconjugate using facile and clean reactions accomplished via solid-phase synthesis. Incorporation of a thiolate moiety is shown to impart the ability for immobilization on gold surfaces.

Metodología sintética para asimétrica Ferroceno derivados Sistemas de Bio-conjugadas vía sólida metodología a base de resina de fase

Early detection is a key to successful treatment of most diseases, and is particularly imperative for the diagnosis and treatment of many types of cancer. ...

Curtain Flow Column: Optimization of Efficiency and Sensitivity

Active Flow Technology (AFT) is a form of column technology that increases the separation performance of a HPLC column through the use of a specially purpose built multiport end-fitting(s). Curtain Flow (CF) columns belong to the AFT suite of columns, specifically the CF column is designed so that the sample is injected into the radial central region of the bed and a curtain flow of mobile phase surrounding the injection of solute prevents the radial dispersion of the sample to the wall. The column functions as an 'infinite diameter' column. The purpose of the design is to overcome the radial heterogeneity of the column bed, and at the same time maximize the sample load into the radial central region of the column bed, which serves to increase detection sensitivity. The protocol described herein outlines the system and CF column set up and the tuning process for an optimized infinite diameter 'virtual' column.

Here, we present a protocol for the operation and optimization of Active Flow Technology (AFT) column in Curtain flow (CF) mode for enhanced separation performance.

Cortina Columna de flujo: optimización de la eficiencia y sensibilidad

Active Flow Technology (AFT) is a form of column technology that increases the separation performance of a HPLC column through the use of a specially ...

The Preparation and Properties of Thermo-reversibly Cross-linked Rubber Via Diels-Alder Chemistry

A method for using Diels Alder thermo-reversible chemistry as cross-linking tool for rubber products is demonstrated. In this work, a commercial ethylene-propylene rubber, grafted with maleic anhydride, is thermo-reversibly cross-linked in two steps. The pending anhydride moieties are first modified with furfurylamine to graft furan groups to the rubber backbone. These pendant furan groups are then cross-linked with a bis-maleimide via a Diels-Alder coupling reaction. Both reactions can be performed under a broad range of experimental conditions and can easily be applied on a large scale. The material properties of the resulting Diels-Alder cross-linked rubbers are similar to a peroxide-cured ethylene/propylene/diene rubber (EPDM) reference. The cross-links break at elevated temperatures (&#62; 150 &#176;C) via the retro-Diels-Alder reaction and can be reformed by thermal annealing at lower temperatures (50-70 &#176;C). Reversibility of the system was proven with infrared spectroscopy, solubility tests and mechanical properties. Recyclability of the material was also shown in a practical way, i.e., by cutting a cross-linked sample into small parts and compression molding them into new samples displaying comparable mechanical properties, which is not possible for conventionally cross-linked rubbers.

A simple two-step approach involving rubber modification and cross-linking yields fully reworkable, elastic rubber products.

La preparación y propiedades de termo-reversible reticulado Química Caucho Vía de Diels-Alder

A method for using Diels Alder thermo-reversible chemistry as cross-linking tool for rubber products is demonstrated. In this work, a commercial ...

Synthesis of Platinum-nickel Nanowires and Optimization for Oxygen Reduction Performance

Platinum-nickel (Pt-Ni) nanowires were developed as fuel cell electrocatalysts, and were optimized for the performance and durability in the oxygen reduction reaction. Spontaneous galvanic displacement was used to deposit Pt layers onto Ni nanowire substrates. The synthesis approach produced catalysts with high specific activities and high Pt surface areas. Hydrogen annealing improved Pt and Ni mixing and specific activity. Acid leaching was used to preferentially remove Ni near the nanowire surface, and oxygen annealing was used to stabilize near-surface Ni, improving durability and minimizing Ni dissolution. These protocols detail the optimization of each post-synthesis processing step, including hydrogen annealing to 250 &#176;C, exposure to 0.1 M nitric acid, and oxygen annealing to 175 &#176;C. Through these steps, Pt-Ni nanowires produced increased activities more than an order of magnitude than Pt nanoparticles, while offering significant durability improvements. The presented protocols are based on Pt-Ni systems in the development of fuel cell catalysts. These techniques have also been used for a variety of metal combinations, and can be applied to develop catalysts for a number of electrochemical processes.

&#160; The protocol describes the synthesis and electrochemical testing of platinum-nickel nanowires. Nanowires were synthesized by the galvanic displacement of a nickel nanowire template. Post-synthesis processing, including hydrogen annealing, acid leaching, and oxygen annealing were used to optimize nanowire performance and durability in the oxygen reduction reaction.

Síntesis de nanocables de platino y níquel y optimización de rendimiento de reducción de oxígeno

Platinum-nickel (Pt-Ni) nanowires were developed as fuel cell electrocatalysts, and were optimized for the performance and durability in the oxygen ...

Color Spot Test As a Presumptive Tool for the Rapid Detection of Synthetic Cathinones

Synthetic cathinones are a large class of new psychoactive substances (NPS) that are increasingly prevalent in drug seizures made by law enforcement and other border protection agencies globally. Color testing is a presumptive identification technique indicating the presence or absence of a particular drug class using rapid and uncomplicated chemical methods. Owing to their relatively recent emergence, a color test for the specific identification of synthetic cathinones is not currently available. In this study, we introduce a protocol for the presumptive identification of synthetic cathinones, employing three aqueous reagent solutions: copper(II) nitrate, 2,9-dimethyl-1,10-phenanthroline (neocuproine) and sodium acetate. Small pin-head sized amounts (approximately 0.1-0.2 mg) of the suspected drugs are added to the wells of a porcelain spot plate, and each reagent is then added dropwise sequentially before heating on a hotplate. A color change from very light blue to yellow-orange after 10 min indicates the likely presence of synthetic cathinones. The highly stable and specific test reagent has the potential for use in the presumptive screening of unknown samples for synthetic cathinones in a forensic laboratory. However, the nuisance of an added heating step for the color change result limits the test to laboratory application and decreases the likelihood of an easy translation to field testing.

Here we present a simple, inexpensive, and selective chemical spot test protocol for the detection of synthetic cathinones, a class of new psychoactive substances. The protocol is suitable for use in various areas of law enforcement that encounter illicit material.

Prueba color como una herramienta presuntiva para la detección rápida de sintético Cathinones

Synthetic cathinones are a large class of new psychoactive substances (NPS) that are increasingly prevalent in drug seizures made by law enforcement and ...

Characterization of Synthetic Polymers via Matrix Assisted Laser Desorption Ionization Time of Flight (MALDI-TOF) Mass Spectrometry

There are many techniques that can be employed in the characterization of synthetic homopolymers, but few provide as useful of information for end group analysis as matrix-assisted laser desorption ionization time of flight mass spectrometry (MALDI-TOF MS). This tutorial demonstrates methods for optimization of the sample preparation, spectral acquisition, and data analysis of synthetic polymers using MALDI-TOF MS. Critical parameters during sample preparation include the selection of the matrix, identification of an appropriate cationization salt, and tuning the relative proportions of the matrix, cation, and analyte. The acquisition parameters, such as mode (linear or reflector), polarization (positive or negative), acceleration voltage, and delay time, are also important. Given some knowledge of the chemistry involved to synthesize the polymer and optimizing both the data acquisition parameters and the sample preparation conditions, spectra should be obtained with sufficient resolution and mass accuracy to enable the unambiguous determination of the end groups of most homopolymers (masses below 10,000) in addition to the repeat unit mass and the overall molecular weight distribution. Though demonstrated on a limited set of polymers, these general techniques are applicable to a much wider range of synthetic polymers for determining mass distributions, though end group determination is only possible for homopolymers with narrow dispersity.

Characterization of Synthetic Polymers via Matrix Assisted Laser Desorption Ionization Time of Flight MALDI-TOF Mass Spectrometry

A protocol for the matrix-assisted laser desorption ionization time of flight mass spectrometry (MALDI-TOF MS) characterization of synthetic polymers is described including the optimization of sample preparation, spectral acquisition, and data analysis.

Caracterización de polímeros sintéticos vía matriz asistida por láser desorción de ionización tiempo de vuelo (MALDI-TOF) espectrometría de masas

There are many techniques that can be employed in the characterization of synthetic homopolymers, but few provide as useful of information for end group ...

A Facile Synthetic Method to Obtain Bismuth Oxyiodide Microspheres Highly Functional for the Photocatalytic Processes of Water Depuration

Bismuth oxyhalide (BiOI) is a promising material for sunlight-driven-environmental photocatalysis. Given that the physical structure of this kind of materials is highly related to its photocatalytic performance, it is necessary to standardize the synthetic methods in order to obtain the most functional architectures and, thus, the highest photocatalytic efficiency. Here, we report a reliable route to obtain BiOI microspheres via the solvothermal process, using Bi(NO3)3 and potassium iodide (KI) as precursors, and ethylene glycol as a template. The synthesis is standardized in a 150 mL autoclave, at 126 &#176;C for 18 h. This results in 2-3 &#181;m-sized mesoporous microspheres, with a relevant specific surface area (61.3 m2/g). Shortening the reaction times in the synthesis results in amorphous structures, while higher temperatures lead to a slight increase in the porosity of the microspheres, with no effect in the photocatalytic performance. The materials are photo-active under UV-A/visible light irradiation for the degradation of the antibiotic ciprofloxacin in water. This method has demonstrated to be effective in interlaboratory tests, obtaining similar BiOI microspheres in Mexican and Chilean research groups.

This article describes a synthetic method to obtain bismuth oxyiodide microspheres, which are highly functional to perform the photocatalytic removal of organic pollutants, such as ciprofloxacin, in water under UV-A/visible light irradiation.

Un fácil método sintético para obtener microesferas de Oxyiodide de bismuto altamente funcional para los procesos fotocatalíticos de depuración de aguas

Bismuth oxyhalide (BiOI) is a promising material for sunlight-driven-environmental photocatalysis. Given that the physical structure of this kind of ...

Ultrafast Lignin Extraction from Unusual Mediterranean Lignocellulosic Residues

Pretreatment is still the most expensive step in lignocellulosic biorefinery processes. It must be made cost-effective by minimizing chemical requirements as well as power and heat consumption and by using environment-friendly solvents. Deep eutectic solvents (DESs) are key, green, and low-cost solvents in sustainable biorefineries. They are transparent mixtures characterized by low freezing points resulting from at least one hydrogen bond donor and one hydrogen bond acceptor. Although DESs are promising solvents, it is necessary to combine them with an economic heating technology, such as microwave irradiation, for competitive profitability. Microwave irradiation is a promising strategy to shorten the heating time and boost fractionation because it can rapidly attain the appropriate temperature. The aim of this study was to develop a one-step, rapid method for biomass fractionation and lignin extraction using a low-cost and biodegradable solvent. 
In this study, a microwave-assisted DES pretreatment was conducted for 60 s at 800 W, using three kinds of DESs. The DES mixtures were facilely prepared from choline chloride (ChCl) and three hydrogen-bond donors (HBDs): a monocarboxylic acid (lactic acid), a dicarboxylic acid (oxalic acid), and urea. This pretreatment was used for biomass fractionation and lignin recovery from marine residues (Posidonia leaves and aegagropile), agri-food byproducts (almond shells and olive pomace), forest residues (pinecones), and perennial lignocellulosic grasses (Stipa tenacissima). Further analyses were conducted to determine the yield, purity, and molecular weight distribution of the recovered lignin. In addition, the effect of DESs on the chemical functional groups in the extracted lignin was determined by Fourier-transform infrared (FTIR) spectroscopy. The results indicate that the ChCl-oxalic acid mixture affords the highest lignin purity and the lowest yield. The present study demonstrates that the DES-microwave process is an ultrafast, efficient, and cost-competitive technology for lignocellulosic biomass fractionation.

Deep eutectic solvent-based, microwave-assisted pretreatment is a green, fast, and efficient process for lignocellulosic fractionation and high-purity lignin recovery.

Extracción ultrarrápida de lignina de residuos lignocelulósicos mediterráneos inusuales

Pretreatment is still the most expensive step in lignocellulosic biorefinery processes. It must be made cost-effective by minimizing chemical requirements ...