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. Télécharger le logiciel et installation <ol><li> Utiliser un ordinateur dispose d&#39;un Intel i5 ou meilleur processeur avec au moins 4 Go de RAM, et est en cours d&#39;exécution Mac OS X ou GNU / Linux (par exemple, Ubuntu) OS. En outre, Python 2.7.6 10 et le 11 wxPython 2.8, SciPy 12 et 13 PyOpenGL bibliothèques python sont nécessaires - télécharger et installer chaque de leurs dépôts respectifs. </li><li> Télécharger <a href="http://www.stickwrld.org" target="_blank">StickWRLD</a> forme d&#39;une archive zip contenant tous les scripts Python pertinents. Télécharger le &quot;fasta2stick.sh&quot; script pour convertir des alignements de séquences / protéine standards FASTA ADN au format StickWRLD. </li><li> Extraire l&#39;archive et placez le dossier StickWRLD résultant sur votre bureau. Placez le &quot;fasta2stick.sh&quot; script sur l&#39;ordinateur de bureau ainsi. </li></ol> 2. Préparer l&#39;Alignement <ol><li> Créer un alignement des séquences de protéines en utilisant n&#39;importe quel stanlogiciels d&#39;alignement de dard (par exemple, ClustalX 14). Enregistrer l&#39;alignement sur le bureau en format FASTA. </li><li> Ouvrez l&#39;application Terminal sur l&#39;ordinateur Mac ou GNU / Linux et de naviguer sur le bureau (l&#39;emplacement du script shell &quot;de fasta2stick.sh&quot;) en tapant cd ~ / Desktop et en appuyant sur ​​le retour. Exécutez le &quot;fasta2stick.sh&quot; script en tapant ./fasta2stick.sh dans le terminal. Si le script ne l&#39;exécute pas, vérifiez qu&#39;il est exécutable - dans le type chmod + x borne fasta2stick.sh pour rendre le script exécutable. </li><li> Suivez les instructions à l&#39;écran fournies par le script pour spécifier le nom du fichier d&#39;entrée (le fichier créé en 1.2 ci-dessus) et le nom de sortie désirée. Enregistrez le fichier de sortie (qui est maintenant dans le format correct pour StickWRLD) sur le bureau. </li></ol> 3. Lancement StickWRLD <ol><li> Naviguez dans les exécutables StickWRLD dossier en utilisant le terminal de application de l&#39;ordinateur Mac ou GNU / Linux. Par exemple, si le dossier StickWRLD est sur ​​le bureau, tapez cd ~ / Desktop / StickWRLD / exec dans le terminal. </li><li> Lancez StickWRLD en tapant python-32 stickwrld_demo.py dans le terminal. </li><li> Vérifiez que le panneau StickWRLD Data Loader est visible à l&#39;écran (Figure 3). </li></ol> 4. Le chargement des données <ol><li> Chargez l&#39;alignement de la séquence de la protéine convertie en appuyant sur la &quot;protéine de charge ...&quot; bouton. </li><li> Sélectionnez le fichier créé à l&#39;étape 3 ci-dessus et appuyez sur «Ouvrir». StickWRLD va ouvrir plusieurs nouvelles fenêtres, y compris &quot;Contrôle StickWRLD&quot; (figure 4) et &quot;StickWRLD - OpenGL&quot; (Figure 5). </li><li> Sélectionnez le - fenêtre &quot;StickWRLD OpenGL&quot;. Choisissez &quot;Reset Affichage&quot; dans le menu &quot;OpenGL&quot; pour afficher la visualisation de StickWRLD par défaut dans un &quot;top-down&quot;Vue à travers le cylindre représentant les données dans les fenêtres redimensionnables OpenGL .. </li></ol> 5. Options d&#39;affichage <ol><li> Cochez les cases pour &quot;Étiquettes de colonne&quot; et &quot;Labels Ball&quot; dans le volet &quot;StickWRLD Control&quot; (figure 4) pour afficher les valeurs pour les colonnes et les balles. </li><li> Décochez la case pour &quot;Bords colonne&quot; dans le volet &quot;contrôle StickWRLD&quot; pour cacher les lignes de bord de la colonne. </li><li> Réglez le &quot;Epaisseur colonne&quot; à 0,1 dans le volet &quot;contrôle StickWRLD&quot; pour dessiner une fine ligne à travers les colonnes, ce qui rend plus facile à naviguer la vue 3D. Appuyez sur Entrée pour accepter le changement. </li><li> Changer la vue dans le &quot;StickWRLD - OpenGL&quot; fenêtre comme dans l&#39;étape 5.3 ci-dessus, puis appuyez sur le bouton &quot;plein écran&quot; pour maximiser la vue. </li></ol> 6. Navigation <ol><li> Faire pivoter l&#39;affichage 3D StickWRLD en maintenant le bouton gauche de la souris WHIle déplacement de la souris dans une direction quelconque. </li><li> Agrandir l&#39;affichage 3D StickWRLD en maintenant enfoncé le bouton droit de la souris tout en déplaçant la souris vers le haut ou vers le bas. </li></ol> 7. Trouver interposition dépendances (JVP) <ol><li> Parcourir la vue en panoramique et de zoom, comme décrit à l&#39;étape 6. résidus de coévoluant dépassant les exigences minimales de p et résiduelle sont connectés via des lignes de bord comme on le voit sur ​​la figure 6. Si il ya trop ou trop peu d&#39;arêtes reliant les résidus, changer le résiduel seuil (sur le volet &quot;contrôle StickWRLD&quot;) pour montrer moins, ou plus, bords. </li><li> Augmenter le seuil résiduelle sur le contrôle Pane StickWRLD jusqu&#39;à ce qu&#39;aucune des lignes de bord IPD sont présentés et la rampe lentement jusqu&#39;à ce que les relations apparaissent. Continuez à augmenter la valeur résiduelle jusqu&#39;à ce que vous avez un nombre suffisant de relations à examiner. </li><li> Identifier les relations qui impliquent soit des résidus d&#39;intérêt connu (par exemple, dans un motif ou une liaison / funSite ctionnel) ou des résidus qui sont distale par rapport à une autre au sein de l&#39;alignement (ce qui suggère qu&#39;ils se trouvent à proximité de la protéine repliée) </li></ol> 8. Sélection et conclusions Enregistrement <ol><li> Utilisation de la commande + clic gauche sur les bords d&#39;intérêt. Le volet contrôle StickWRLD indiquera les colonnes et connectez résidus spécifiques, par exemple, &quot;(124 | G) (136 | H)&quot; (Figure 7). Les lignes continues représentent des associations positives; lignes pointillées représentent des associations négatives. </li><li> Appuyez sur le bouton &quot;Bords de sortie&quot; sur le panneau &quot;StickWRLD Control&quot; pour enregistrer un fichier au format texte brut (edge_residual.csv) de tous les bords visibles, y compris les résidus jointes et leurs valeurs résiduelles réelles, dans la / StickWRLD / exec / répertoire. </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 a été utilisé avec succès pour identifier ces JVP dans le domaine du couvercle adénylate kinase 16, ainsi que des bases de l&#39;ADN associées à Rho-dépendante terminaisons 9, et un roman spécificité site d&#39;épissage dans Archaeal ARNt intron endonucléase 6 sites cibles. Ces distributeurs indépendants ne sont pas détectables par un examen direct des alignements. StickWRLD affiche chaque position d&#39;un alignement comme une colonne de 20 &quot;sphères&quot;, où chaque sphère représente l&#39;un des 20 résidus d&#39;acides aminés et la taille de la sphère indique la fréquence d&#39;apparition de ce résidu particulier à l&#39;intérieur de la colonne (figure 4). Les colonnes sont disposées dans un cylindre, avec des lignes de bordure reliant les résidus présents dans des colonnes différentes (indiquant un IPD). Ces lignes de bord ne sont tirées si les résidus correspondants sont covarying à une fréquence dépassant à la fois la valeur de p (signification) et résiduelles (attendus) - observés seuils. Détection des résidus concomitants interdépendants, ou IPDS, dans les régions distales de l&#39;alignement d&#39;une séquence d&#39;ADN ou de protéine est difficile en utilisant séquence standard outils d&#39;alignement 6. Bien que ces outils génèrent un consensus, ou un motif, la séquence, ce consensus est dans de nombreux cas, une simple moyenne majorité règle et ne donne pas les relations de covariation qui peuvent former un ou plusieurs sous-motifs - groupes de résidus qui ont tendance à co-évoluer. Même les modèles HMM, qui sont capables de détecter les dépendances voisines, ne peut pas modéliser avec précision des motifs de séquence avec IPD distales 5. Le résultat est que le consensus calculée peut en fait être une séquence &quot;synthétique&quot; non trouvé dans la nature - et des protéines modifiées sur la base de ce consensus de calcul peuvent ne pas, en fait, être optimale. En fait, le HMM Pfam pour ADK suggère que la protéine chimère contenant de la moitié de motif tétracystéine, et la moitié de H, S, D, T motif, est fonctionnellement tout aussi acceptablecomme tout ADK réellement existant. Cela ne veut pas le cas, que ces chimères (et beaucoup d&#39;autres assemblages de ces motifs) sont-ils morts catalytique 4,19. Lorsque vous cherchez des corrélations, il est essentiel que le seuil résiduelle être réglée pour permettre la découverte de corrélations pertinentes en définissant le seuil au-dessus du niveau auquel les bords sont vus, puis montée en puissance progressivement le seuil vers le bas. Cela garantit que seuls les bords les plus significatifs sont considérés initialement. Une autre approche est de commencer avec le seuil fixé résiduelle extrêmement faible. Cela se traduit par l&#39;affichage de tous les bords importants. De là, le seuil résiduel peut être augmenté lentement, permettant bords à abandonner jusqu&#39;à ce que des tendances émergent. Bien que cette approche est moins utile lorsque vous cherchez pour l&#39;inclusion des nœuds spécifiques (par exemple, l&#39;application des connaissances de domaine), il permet la découverte de relations inattendues utilisant StickWRLD comme une visuel outil analytique pour découvrir les nouvelles tendances dans la visualisation de données. StickWRLD est limitée principalement par la quantité de mémoire disponible du système sur lequel il est exécuté ainsi que la résolution du dispositif d&#39;affichage. Bien qu&#39;il n&#39;y ait pas de limite théorique au nombre de points de données StickWRLD peut examiner et séquences jusqu&#39;à 20.000 postes ont été testés, dans la pratique StickWRLD fonctionne mieux avec des séquences jusqu&#39;à près de 1000 positions. Le principal avantage de StickWRLD réside dans sa capacité à identifier des groupes de résidus qui covarier un avec l&#39;autre. Ceci est un avantage significatif sur l&#39;approche traditionnelle de la séquence consensus statistique, qui est une moyenne statistique simple et ne prend pas en compte la coévolution. Alors que dans certains cas, les résidus covarying peuvent simplement être un artefact de la phylogénie, même ces résidus ont résisté le «test de sélection», et en tant que tels ne sont pas susceptibles de nuire à la functionalité de toute protéine conçu pour les inclure. Tout en utilisant StickWRLD pour identifier JVP dans une séquence d&#39;ADN ou de protéines canonique consensus / motif avant variantes synthétiques d&#39;ingénierie permettra de réduire le risque d&#39;erreur et de soutenir l&#39;optimisation rapide de la fonction, il faut noter que StickWRLD peut être utilisé comme un outil d&#39;identification de corrélation généralisée et ne se limite pas exclusivement à des données de protéines. StickWRLD peut être utilisée pour découvrir visuellement la co-occurrence de toutes les variables dans un ensemble de données correctement codé.

les alignements de protéines ont longtemps été utilisés pour évaluer la similarité de résidus dans une famille de protéines. Foire caractéristiques les plus intéressantes d&#39;une protéine (par exemple, les sites catalytiques ou d&#39;autres liants) sont le résultat de repliement des protéines rapprocher les régions distales de la séquence linéaire en contact, et par conséquent ces régions apparemment indépendants dans l&#39;alignement ont tendance à évoluer et changer en d&#39;une manière coordonnée. Dans d&#39;autres cas, la fonction d&#39;une protéine peut dépendre de sa signature électrostatique, et des mutations qui affectent le dipôle électronique est compensée par une modification de résidus chargés éloignés. Effets allostériques peuvent également induire à long terme dépendances séquentielles et spatiales entre les identités de résidus. Indépendamment de leur origine, ces covariations fonctionnellement nécessaires de résidus - dépendances inter-position (JVP) - peuvent ne pas être évident avec l&#39;examen visuel de l&#39;alignement (Figure 1). Identification des JVP - ainsi que desdont des résidus spécifiques au sein de ces positions ont tendance à covarier comme une unité - peut révéler des indices importants sur les processus de repliement des protéines et la formation de sites fonctionnels. Cette information peut ensuite être utilisée pour optimiser les protéines synthétiques (ingénierie) en termes de stabilité thermique et de l&#39;activité. Il est connu depuis longtemps que toutes les mutations ponctuelles vers consensus fournissent pas une meilleure stabilité ou l&#39;activité. Plus récemment, les protéines conçus pour tirer parti des JVP connus dans leur séquence ont été montrés pour aboutir à une plus grande activité de la même protéine conçu strictement consensus 1,2 (manuscrit en préparation), semblable à l&#39;idée de stabiliser mutations ponctuelles 3. Malheureusement, les modèles traditionnels de construction de consensus (par exemple, la règle de la majorité) ne reflètent que les JVP par accident. méthodes de consensus et de la position de notation spécifique matricielles sont ignorants du JVP et seulement «correctement» les inclure dans les modèles, lorsque les résidus dépendantessont également des résidus les plus populaires pour ces postes dans la famille. Modèles de chaîne de Markov peut capturer JVP quand ils sont séquentiellement proximale, mais leur mise en œuvre typique ignore tout sauf voisins séquentielles immédiats, et même à leur meilleur, les calculs modèles de Markov cachés (voir Figure 2) deviennent insolubles quand dépendances sont séparés dans la séquence de plus de une douzaine de positions 4. Depuis ces JVP forment essentiellement «sous-motifs&quot; qui ne peut être prédit par simple «règle de la majorité&quot; ou des modèles de consensus basé HMM-même 5,6 le résultat peut être un &quot;consensus&quot; biologiquement invalide qui est non seulement jamais vu dans la nature, mais est moins viables que toute protéine existant. Les systèmes basés sur champs de Markov, comme GREMLIN 7, tentent de surmonter ces problèmes. De plus alors que des techniques biologiques / biochimiques sophistiquées telles que la recombinaison non contigu à 3,8 peuvent être utilisés pour ideéléments de protéines essentielles ntifier par région, ils nécessitent beaucoup de temps et de travail de banc pour une seule paire de bases de précision à atteindre. StickWRLD 9 est un programme Python qui crée une représentation 3D interactive d&#39;un alignement de protéine qui JVP claire et facile à comprendre. Chaque position dans l&#39;alignement est représenté comme une colonne dans l&#39;afficheur, où chaque colonne est constituée d&#39;un empilement de sphères, une pour chacun des 20 acides aminés qui pourraient être présents dans cette position à l&#39;intérieur de l&#39;alignement. La taille de la sphère dépend de la fréquence d&#39;occurrence de l&#39;acide aminé, de telle sorte que l&#39;utilisateur peut glaner immédiatement le résidu consensus ou la distribution relative des acides aminés à l&#39;intérieur de cette position en regardant simplement la taille des sphères. Les colonnes représentant chaque position sont enveloppés autour d&#39;un cylindre. Cela donne tous les domaines représentant un acide aminé possible à chaque position dans l&#39;alignement, une «ligne de mire» clairpour toutes les autres possibilités d&#39;acides aminés à toutes les autres positions. Avant de visualisation, StickWRLD calcule la force de la corrélation entre toutes les combinaisons possibles de résidus pour identifier le JVP 9. Pour représenter JVP, les lignes sont tracées entre les résidus qui sont coévoluant à un niveau supérieur ou inférieur que prévu si les résidus présents dans les positions étaient indépendants (JVP). Non seulement cette visualisation spectacle qui positions de séquence interagissent évolutif, mais comme les lignes de bord IPD sont établis entre les sphères d&#39;acides aminés dans chaque colonne, l&#39;utilisateur peut rapidement déterminer quels acides aminés spécifiques ont tendance à être coévoluant à chaque position. L&#39;utilisateur a la possibilité de faire pivoter et d&#39;explorer la structure IPD visualisées, ainsi que de modifier dynamiquement les seuils statistiques qui contrôlent l&#39;affichage des corrélations, faisant StickWRLD un puissant outil de découverte pour JVP. Des applications telles que GREMLIN 7 autafficher Arly informations relationnelles complexes entre les résidus - mais ces relations sont calculées au moyen de modèles de Markov plus traditionnels, qui ne sont pas conçus pour déterminer les relations conditionnelles. En tant que tels, ils sont capables d&#39;être affichées comme des projections 2D. En revanche, StickWRLD peut calculer et afficher multi-nœuds dépendances conditionnelles, qui peut être masquée si elles sont rendues comme un graphique 2D (un phénomène connu sous le bord occlusion). 3D de vue de StickWRLD a également plusieurs autres avantages. En permettant aux utilisateurs de manipuler les visuels - des caractéristiques qui peuvent être brouillées ou intuitives dans une représentation 2D peuvent être plus facilement vu dans le cylindre 3D de StickWRLD - panoramique, rotation et zoom. StickWRLD est essentiellement un outil d&#39;analyse visuelle, exploitant la puissance de la capacité de reconnaissance de forme du cerveau humain à voir des tendances et des tendances, et la possibilité d&#39;explorer les données à partir de divers points de vue se prête à cela.

<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

les alignements de protéines sont couramment utilisés pour évaluer la similarité de résidus de protéines, et la séquence consensus dérivée utilisés pour identifier des unités fonctionnelles (par exemple, domaines). Les modèles traditionnels de construction de consensus ne parviennent pas à tenir compte des dépendances d&#39;interposition - fonctionnellement covariation nécessaire de résidus qui ont tendance à apparaître simultanément à travers l&#39;évolution et à travers l&#39;arbre phylogénétique. Ces relations peuvent révéler des indices importants sur les processus de repliement des protéines, la stabilité thermique, et la formation de sites fonctionnels, qui peuvent à leur tour être utilisés pour informer l&#39;ingénierie des protéines synthétiques. Malheureusement, ces relations font essentiellement sous-motifs qui ne peut être prédit par simple «règle de la majorité&quot; ou des modèles de consensus basé HMM-même, et le résultat peut être un &quot;consensus&quot; biologiquement invalide qui est non seulement jamais vu dans la nature, mais est moins viable que toute protéine existante. Nous avons développé un un visuelalytics outil, StickWRLD, ce qui crée une représentation en 3D interactif d&#39;un alignement de la protéine et affiche clairement covarying résidus. L&#39;utilisateur a la possibilité de panoramique et de zoom, ainsi que de changer dynamiquement le seuil statistique qui sous-tend l&#39;identification des covariants. StickWRLD a déjà été utilisé avec succès pour identifier des résidus d&#39;covarying fonctionnellement nécessaires dans des protéines telles que adénylate kinase et dans des séquences d&#39;ADN telles que les sites cibles d&#39;endonucléase.

StickWRLD a déjà été utilisé pour détecter les dépendances d&#39;interposition (JVP) entre les résidus dans les deux ADN 3 et en protéines 15-17 alignements. Ces résidus co-évolution, tandis que souvent distale par rapport à l&#39;autre dans l&#39;alignement de séquences, sont souvent proximale par rapport à l&#39;autre dans la protéine repliée. StickWRLD permet la découverte rapide des résidus spécifiques de co-occurrence de tels sites, par exemple., Une alanine à la position &quot;X&quot; est fortement corrélée à une thréonine en position &quot;y&quot;. Ces corrélations peuvent être le signe de relations structurelles prouvables, et typiquement des sites qui, par nécessité, co-évoluent. StickWRLD est capable de détecter ces relations même quand plus «traditionnelle» des approches utilisant des HMM pour décrire motifs échouent. Par exemple, l&#39;analyse de l&#39;alignement de PFAM du domaine de couvercle de ADK utilisant StickWRLD révèle une forte corrélation positive entre cystéines (C) aux positions 4 et 8 et une coordonnéepaire de C à des positions 35 et 38. Dans le même temps, StickWRLD a montré une forte relation positive similaire entre histidine (H) et la sérine (S) à 4 et 8, avec une forte relation négative entre ces derniers et le quatuor à C 4, 8, 35, et 38, et une forte relation positive avec de l&#39;acide aspartique (D) et la thréonine (T) à des positions 35 et 38 respectivement. JVP supplémentaires existent entre le H, S, D, T et un motif T et G à la position **** 10 et 29 en B subtilis **** soulignant le caractère conditionnel de ces JVP - le motif tétracystéine ne «soins» sur les identités à ces deux positions, tandis que le H hydrophile, S, D, T triade exige que les résidus spécifiques dans ces positions presque absolument. Ces deux motifs de résidus d&#39;dépendants de la position complètement différents peuvent remplir le même rôle le couvercle ADK. Comme on peut le voir sur la figure 6, un groupe important de IPDS, comprenant une association entre le noeud 3-G (glycine) à la position 132, Y (tyrosine) à la position 135, et un P (proliNE) à la position 141, est visible au premier plan (figure 6A). Dans la figure 6B, la vue a été biaisé pour positionner l&#39;utilisateur légèrement au-dessus du cylindre, révélant une IPD entre un H (histidine) à la position 136 et une M (méthionine) en position 29, 107 résidus lointain. Un motif PFAM HMM dérivé du même domaine (Figure 2), quant à lui, non seulement ne détecte pas ces derniers comme spécifiquement variantes de motifs co-survenant, mais définit également les groupes globaux dans un système biologiquement non pris en charge 16. <img alt="Figure 1" src="/files/ftp_upload/52878/52878fig1highres.jpg" width="500" /> Figure 1. »Subway Map&quot; représentation de la B. subtilis adénosine kinase structure de domaine (ADK) du couvercle. Les flèches indiquent JVP identifiés dans l&#39;alignement de PFAM d&#39;ADK domaine Couvercle par StickWRLD. StickWRLD est en mesure d&#39;identifier correctement JVP sein d&#39;un cluster of résidus qui sont à proximité étroite de la protéine repliée. D&#39;intérêt particulier sont la paire T et G aux positions 9 et 29, qui ne font IPD lorsque la tétrade de résidus à 4, 7, 24 et 27 ne sont pas C, C, C, C). numéros de résidus affichée représente B. subtilis positions d&#39;alignement position et pas PFAM. <a href="https://www.jove.com/files/ftp_upload/52878/52878fig1highres.jpg" target="_blank">S&#39;il vous plaît, cliquez ici pour voir une version plus grande de cette figure.</a> <img alt="Figure 2" src="/files/ftp_upload/52878/52878fig2highres.jpg" width="700" /> Figure 2. Skylign 18 modèles de Markov cachés (HMM) Logo de séquence pour le domaine du couvercle de ADK. Alors que HMM sont des outils puissants pour déterminer les probabilités à chaque position ainsi que la contribution de chaque site pour le modèle global, l&#39;indépendance de position de HMM les rend inadapté pour détecter JVP. Ce modèle ne suggère pas l&#39;un desdépendances observées dans les représentations de StickWRLD (figure 6). <a href="https://www.jove.com/files/ftp_upload/52878/52878fig2highres.jpg" target="_blank">S&#39;il vous plaît, cliquez ici pour voir une version plus grande de cette figure.</a> <img alt="Figure 3" src="/files/ftp_upload/52878/52878fig3.jpg" /> Figure 3. Le Data Loader StickWRLD. Les utilisateurs peuvent choisir à partir de données de démonstration existants ou charger leurs propres données sous la forme de séquence d&#39;ADN ou de protéines alignements. <img alt="Figure 4" src="/files/ftp_upload/52878/52878fig4highres.jpg" width="600" /> Figure 4. La fenêtre de contrôle StickWRLD. Le volet de contrôle permet à l&#39;utilisateur de modifier diverses propriétés de la vue ainsi que régler les seuils de contrôle de l&#39;affichage des lignes de bord indiquant les relations entre les résidus (JVP). Entourées en rouge sont les valeurs par défaut qui doivent généralement t<html> o être ajustée pour un meilleur affichage de tout ensemble de données. La valeur résiduelle fixe le seuil de (observé prévu) pour lesquels les lignes connecteur / d&#39;association sont dessinés. Les commandes pour les étiquettes de colonnes et de contrôle de la balle ou non la position de la colonne et les valeurs de résidus (par exemple, &quot;A&quot; pour l&#39;arginine) sont affichés. La colonne bordure bascule de contrôle de ligne sur et hors de l&#39;affichage des lignes de bord reliant colonnes - pour les ensembles de données denses ce qui est mieux éteints. Les contrôles Colonne Epaisseur si la colonne elle-même ou non est affiché -. Cette option à une valeur très faible (par exemple, 0,1) sera tracer une ligne à travers les sphères de la colonne, ce qui rend facile de distinguer les colonnes d&#39;un autre <a href="https://www.jove.com/files/ftp_upload/52878/52878fig4highres.jpg" target="_blank">S&#39;il vous plaît cliquez ici pour voir une version plus grande de cette figure.</a> <html> ghres.jpg &quot;width =&quot; 600 &quot;/&gt; Figure 5. Vue initiale de la fenêtre StickWRLD OpenGL avec le domaine de couvercle ensemble de données de la protéine Kinase Adenylate chargé. Le point de vue initial semble &quot;bas&quot; à travers le cylindre constitué des positions d&#39;alignement de séquence. L&#39;utilisateur peut faire tourner le cylindre à l&#39;aide gauche de la souris un cliquer-glisser, et zoom in / out en utilisant droit de la souris un cliquer-glisser. Le point de vue initial est assez dense parce que l&#39;affichage par défaut montre faibles taux même de co-évolution. Pour de nombreuses protéines, à ce paramètre, modules distincts peuvent être détectés, mais même dans densément co-évolution des protéines de l&#39;affichage peut être rapidement et de manière interactive simplifiée pour trouver JVP les plus importantes en utilisant l&#39;interface StickWRLD. <a href="https://www.jove.com/files/ftp_upload/52878/52878fig5highres.jpg" target="_blank">S&#39;il vous plaît, cliquez ici pour voir une version plus grande de ce chiffre.</a> ghres.jpg &quot;width =&quot; 700 &quot;/&gt; Figure 6. Vue Gros plan d&#39;une visualisation StickWRLD de la protéine de domaine couvercle adénylate kinase. Ici, nous avons changé le défaut résiduel à 0,2. Cela augmente le seuil d&#39;affichage des arêtes inter-résidus, montrant moins d&#39;arêtes. Les bords qui restent indiquent JVP fortement associés. En outre, le point de vue a été tourné et zoomée pour permettre de faciliter la visualisation des bords. (A) Un grand groupe de JVP est visible au premier plan, y compris une association 3-noeud entre G (glycine) à la position 132, Y (tyrosine) à la position 135, et un P (proline) à la position 141. (B) Le point de vue a été biaisé pour positionner l&#39;utilisateur légèrement au-dessus du cylindre, révélant une IPD entre un H (histidine) à la position 136 et une M (méthionine) à la position 29, 107 résidus lointain. <a href="https://www.jove.com/files/ftp_upload/52878/52878fig6highres.jpg" target="_blank">S&#39;il vous plaît cliquez ici pour voir une version plus grande de cette figure.</a><img alt="Figure 7" src="/files/ftp_upload/52878/52878fig7.jpg" /> Figure 7. fenêtre Contrôle StickWRLD inférieur droit de vue de l&#39;information. CTRL + clic gauche sur un objet (par exemple, une sphère ou bord) dans la fenêtre OpenGL affiche les informations de l&#39;objet dans le coin inférieur droit de la fenêtre de contrôle StickWLRD. Ici, nous voyons les informations d&#39;un bord IPD entre une méthionine en position 29 et une histidine en position 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.

Optimisation des protéines synthétiques: Identification des dépendances interposition indicatrice constructivement et / ou les résidus fonctionnellement liées

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 vues.  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.

Vidéo: 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.

Vers Biomimicking Bois: Films Fabrication libre-debout de nanocellulose, lignine, et un polycation synthétique

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

Recherche

Chimie

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.

Stabiliser hépatocellulaire phénotype en utilisant des surfaces synthétiques optimisés

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.

Méthodologie synthétique pour asymétrique Ferrocene dérivés Systems Bio-conjugués via solide méthodologie à base de résine de phase

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.

Rideau Colonne Débit: Optimisation de l&#39;efficacité et sensibilité

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 préparation et les propriétés des Thermo-réversiblement réticulé Rubber Chemistry Via 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.

Synthèse de nanofils Platinum-nickel et optimisation des performances de réduction de l’oxygène

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.

Couleur Test ponctuel comme un outil présomptif pour la détection rapide des Cathinones de synthèse

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.

Caractérisation des polymères synthétiques via Matrix Assisted Laser Desorption ionisation temps de spectrométrie de masse (MALDI-TOF) de vol

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.

Une méthode de synthèse Facile d’obtenir Bismuth Oxyiodide microsphères très fonctionnel pour les procédés photocatalytiques de dépuration de l’eau

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.

Extraction ultrarapide de la lignine à partir de résidus lignocellulosiques méditerranéens inhabituels

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