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. Software Download e installazione <ol><li> Utilizzare un computer ha un processore Intel i5 o meglio processore con almeno 4 GB di RAM, e sia in esecuzione Mac OS X o GNU / Linux (ad esempio, Ubuntu) OS. Inoltre, sono necessari Python 2.7.6 10 e il wxPython 2.8 11, SciPy 12, e PyOpenGL librerie 13 pitone - scaricare e installare ogni dalle rispettive repository. </li><li> Scarica <a href="http://www.stickwrld.org" target="_blank">StickWRLD</a> come un archivio zip contenente tutti i relativi script Python. Scaricare lo script &quot;fasta2stick.sh&quot; per la conversione di allineamenti di sequenze / proteine ​​DNA FASTA standard per formato StickWRLD. </li><li> Estrarre l&#39;archivio e mettere la cartella StickWRLD risultante sul tuo desktop. Posizionare lo script &quot;fasta2stick.sh&quot; sul desktop pure. </li></ol> 2. Preparare il Allineamento <ol><li> Creare un allineamento delle sequenze proteiche utilizzando qualsiasi stansoftware allineamento Dard (ad esempio, ClustalX 14). Salvare l&#39;allineamento sul desktop in formato FASTA. </li><li> Aprire l&#39;applicazione terminale sul computer Mac o GNU / Linux e passare al desktop (la posizione del &quot;fasta2stick.sh&quot; script di shell) digitando cd ~ / Desktop e premendo il ritorno. Eseguire lo script &quot;fasta2stick.sh&quot; digitando ./fasta2stick.sh nel terminale. Se lo script non viene eseguito, assicurarsi che sia eseguibile - nel tipo chmod + x terminale fasta2stick.sh per rendere lo script eseguibile. </li><li> Seguire le istruzioni visualizzate fornite dallo script per specificare il nome del file di input (il file creato in 1.2 sopra) e il nome di output desiderato. Salvare il file di output (che ora è nel formato corretto per StickWRLD) sul desktop. </li></ol> 3. Avvio StickWRLD <ol><li> Navigare nelle eseguibili StickWRLD cartella utilizzando la applic terminalezione del computer Mac o GNU / Linux. Ad esempio, se la cartella StickWRLD si trova sul desktop, digitare cd ~ / Desktop / StickWRLD / exec nel terminale. </li><li> Avviare StickWRLD digitando python-32 stickwrld_demo.py nel terminale. </li><li> Verificare che il pannello StickWRLD Data Loader è visibile sullo schermo (Figura 3). </li></ol> 4. Caricamento dei dati <ol><li> Caricare l&#39;allineamento sequenza proteica convertito premendo il pulsante &quot;Load Protein ...&quot; pulsante. </li><li> Selezionare il file creato nel passaggio 3 sopra e premere &quot;Apri&quot;. StickWRLD aprirà numerose finestre, tra cui &quot;StickWRLD Control&quot; (Figura 4) e &quot;StickWRLD - OpenGL&quot; (Figura 5). </li><li> Selezionare la - finestra &quot;StickWRLD OpenGL&quot;. Scegliere &quot;Ripristina vista&quot; dal menu &quot;OpenGL&quot; per visualizzare la visualizzazione StickWRLD default in un &quot;top-downVista &quot;attraverso il cilindro che rappresenta i dati nelle finestre ridimensionabili OpenGL .. </li></ol> 5. Opzioni di visualizzazione <ol><li> Selezionare le caselle per &quot;etichette di colonna&quot; e &quot;Etichette Ball&quot; nel riquadro &quot;StickWRLD Control&quot; (Figura 4) per visualizzare i valori per le colonne e le palle. </li><li> Deselezionare la casella per &quot;Bordi colonna&quot; nel riquadro &quot;StickWRLD Control&quot; per nascondere le strisce di margine di colonna. </li><li> Impostare il &quot;spessore Colonna&quot; per 0,1 nel riquadro &quot;StickWRLD Control&quot; per disegnare una linea sottile attraverso le colonne, rendendo più facile la navigazione nella vista 3D. Premere Invio per accettare la modifica. </li><li> Ripristina la vista nella &quot;StickWRLD - OpenGL&quot; finestra al precedente punto 5.3, quindi premere il pulsante &quot;schermo intero&quot; per massimizzare la vista. </li></ol> 6. Navigation <ol><li> Ruotare il display 3D StickWRLD tenendo premuto il tasto sinistro del mouse WHIle spostando il mouse in qualsiasi direzione. </li><li> Zoom il display 3D StickWRLD tenendo premuto il pulsante destro del mouse mentre si sposta il mouse verso l&#39;alto o verso il basso. </li></ol> 7. Individuazione interposizionale Dipendenze (DPI) <ol><li> Sfoglia la vista panoramica e lo zoom come descritto al punto 6. residui Coevolving superano i requisiti di soglia sia p e residuale sono collegati attraverso strisce di margine come si vede in figura 6. Se ci sono troppi o troppo pochi bordi di collegamento residui, cambiare il residuo soglia (nel riquadro &quot;StickWRLD Control&quot;) per visualizzare un numero inferiore, o più, i bordi. </li><li> Aumentare la soglia residua sul riquadro di controllo fino a quando non StickWRLD strisce di margine IPD sono mostrati e lentamente rampa fino a quando appaiono le relazioni. Continuare ad aumentare il residuo fino ad avere un numero sufficiente di relazioni da esaminare. </li><li> Identificare le relazioni che coinvolgono sia i residui di interesse noto (ad esempio, all&#39;interno di un motivo o di legame / divertimentosito finzionale) o residui che sono distale fra loro entro l&#39;allineamento (suggerendo che sono prossimale nella proteina ripiegata) </li></ol> 8. Selezione e risultati di risparmio <ol><li> Utilizzando il comando + click sinistro su tutti i bordi di interesse. Il riquadro StickWRLD controllo indicherà le colonne e collegare specifici residui, ad esempio, &quot;(124 | G) (136 | H)&quot; (Figura 7). Le linee continue rappresentano associazioni positive; linee tratteggiate rappresentano associazioni negative. </li><li> Premere il pulsante &quot;Edges uscita&quot; sul pannello &quot;StickWRLD di controllo&quot; per salvare un file in formato solo testo (edge_residual.csv) di tutti i bordi visibili, tra cui i residui uniti ei loro valori residui effettivi, in / StickWRLD / exec directory /. </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 è stato utilizzato con successo per identificare tali DPI nel dominio coperchio adenilato chinasi 16, così come le basi del DNA associate in terminatori rho-dipendente 9, e un romanzo splice-site specificità archeali tRNA endonucleasi introni 6 siti di destinazione. Questi DPI non erano rilevabili attraverso un esame diretto degli allineamenti. StickWRLD visualizza ogni posizione di allineamento come una colonna di 20 &quot;sfere&quot;, dove ogni sfera rappresenta uno dei residui 20 aminoacidi e la dimensione della sfera indica la frequenza di occorrenza di quel particolare residuo dentro tale colonna (Figura 4). Le colonne sono disposte in un cilindro, con strisce di margine collegamento residui in colonne diverse (che indica un IPD). Queste strisce di margine sono disegnate solo se i residui corrispondenti sono covarying con una frequenza che supera sia il valore p (significato) e (attesi - osservate) residue soglie. Il rilevamento di residui concomitanti interdipendenti, o DPI, nelle regioni distali di un allineamento di DNA o sequenze proteiche è difficile utilizzare la sequenza standard di strumenti di allineamento 6. Mentre tali strumenti generano un consenso, o motivo, la sequenza, questo consenso è in molti casi una semplice maggioranza regola media e non trasmettere relazioni covariazione che si possono formare uno o più sub-motivi - gruppi di residui che tendono a co-evolvere. Anche i modelli HMM, che sono in grado di rilevare le dipendenze vicini, non possono accuratamente modello motivi di sequenza con DPI distali 5. Il risultato è che il consenso calcolato può infatti essere una sequenza &quot;sintetico&quot; non trovato in natura - e proteine ​​ingegnerizzate basate su tale consenso computazionale non può, infatti, essere ottimale. Infatti, la Pfam HMM per ADK suggerirebbe che una proteina chimerica contenente la metà del motivo tetracysteine, e la metà della H, S, D, T motivo, è funzionalmente altrettanto accettabilicome ogni ADK realmente esistente. Questo non è il caso, in quanto tali chimere (e molti altri blendings di questi motivi) sono cataliticamente morti 4,19. Quando cerchi correlazioni, è fondamentale che la soglia residua essere regolata per consentire la scoperta di correlazioni pertinenti impostando la soglia al di sopra del livello al quale eventuali spigoli sono visti e poi gradualmente rampa soglia indietro. In questo modo solo i bordi più significativi sono considerati inizialmente. Un approccio alternativo è quello di iniziare con la soglia impostata residua estremamente bassa. Ciò provoca la visualizzazione di tutti i bordi significativi. Da qui la soglia residuo può essere aumentata lentamente, permettendo bordi di drop out fino a modelli di emergere. Anche se questo approccio è meno utile quando si cerca per l&#39;inserimento di nodi specifici (ad esempio, l&#39;applicazione della conoscenza di dominio), permette la scoperta di relazioni inaspettate usando StickWRLD come a visUAL strumento analitico per scoprire modelli emergenti nella visualizzazione dei dati. StickWRLD è limitata principalmente dalla memoria disponibile del sistema in cui viene eseguito e la risoluzione del dispositivo di visualizzazione. Mentre non vi è alcun limite teorico al numero di punti dati StickWRLD può esaminare, e sequenze fino a 20.000 posizioni sono stati testati, in pratica StickWRLD funziona meglio con le sequenze fino a circa 1.000 posizioni. Il vantaggio principale di StickWRLD risiede nella sua capacità di identificare gruppi di residui che covary uno con l&#39;altro. Questo è un vantaggio significativo rispetto all&#39;approccio tradizionale della sequenza consenso statistica, che è una semplice media statistica e non tiene conto coevolution. Mentre in alcuni casi i residui covarying possono semplicemente essere un artefatto della filogenesi, anche questi residui hanno resistito alla &quot;test di selezione&quot;, e come tale è improbabile che sminuire l&#39;functionalità di ogni proteina progettata per includerli. Durante l&#39;utilizzo StickWRLD identificare DPI in una sequenza di DNA o proteine ​​canonica consenso / motif prima varianti ingegneria sintetici ridurrà il potenziale di errore e sostenere ottimizzazione rapida della funzione, va notato che StickWRLD può essere usato come strumento di identificazione di correlazione generalizzato e non si limita esclusivamente ai dati di proteine. StickWRLD può essere utilizzato per scoprire visivamente la co-occorrenza di eventuali variabili in ogni insieme di dati codificati correttamente.

Allineamenti proteine ​​sono da tempo utilizzati per valutare la somiglianza dei residui in una famiglia di proteine. Frequentemente le caratteristiche più interessanti di una proteina (per esempio, siti di legame catalitici o altri) sono il risultato di ripiegamento delle proteine ​​portando regioni distali del sequenza lineare a contatto, e di conseguenza queste regioni apparentemente indipendenti l&#39;allineamento tendono ad evolversi e cambiare modo coordinato. In altri casi, la funzione di una proteina può essere dipendente dalla sua firma elettrostatica, e mutazioni che influenzano il dipolo elettronica sono compensate da modifiche residui carichi lontane. Effetti allosterici possono anche indurre a lungo raggio dipendenze sequenziali e spaziali tra le identità di residui. Indipendentemente dalla loro origine, questi covariations funzionalmente richieste di residui - dipendenze tra posizionali (IPDS) - potrebbe non essere evidente con esame visivo del tracciato (Figura 1). Identificazione DPI - nonchéche i residui specifici all&#39;interno di tali posizioni tendono ad covary come unità - può rivelare importanti indizi sui processi di folding delle proteine ​​e la formazione di siti funzionali. Queste informazioni possono poi essere utilizzate per ottimizzare (ingegnerizzati) proteine ​​sintetiche in termini di stabilità termica e di attività. E &#39;noto da tempo che non tutte le mutazioni puntiformi verso consenso forniscono una migliore stabilità o attività. Più recentemente, proteine ​​progettati per sfruttare DPI noti loro sequenza hanno dimostrato di causare un aumento dell&#39;attività della stessa proteina progettata rigorosamente da consensus 1,2 (manoscritto in preparazione), simile al concetto di stabilizzazione mutazioni puntiformi 3. Purtroppo, i modelli di costruzione del consenso tradizionali (ad esempio, la regola di maggioranza) solo catturano DPI per caso. Metodi di consenso e posizione di punteggio specifico Matrix sono ignoranti di DPI e solo &#39;correttamente&#39; li includono nei modelli, quando i residui dipendentisono anche i residui più popolari per quelle posizioni in famiglia. Modelli catena di Markov possono catturare DPI quando sono in sequenza prossimale, ma la loro tipica implementazione ignora tutto tranne vicini sequenziali immediati, e anche al loro meglio, calcoli Hidden Markov Model (vedi figura 2) diventano intrattabile quando le dipendenze sono separati nella sequenza di oltre una dozzina di posizioni 4. Dal momento che questi DPI essenzialmente formano &quot;sub-motivi&quot;, che non può essere previsto da semplice &quot;regola di maggioranza&quot; o modelli consenso addirittura basati su HMM 5,6 il risultato può essere un &quot;consenso&quot; biologicamente non valido, che non è solo mai visto in natura, ma è meno praticabile di qualsiasi proteina esistente. I sistemi basati su Markov casuale Fields, quali GREMLIN 7, tentano di superare questi problemi. Inoltre mentre sofisticate tecniche biologiche / biochimici come noncontiguous ricombinazione 3,8 possono essere utilizzate per identify elementi essenziali di proteine ​​per regione, richiedono molto tempo e banco di lavoro per singolo-base-pair di precisione da raggiungere. StickWRLD 9 è un programma basato su Python che crea una rappresentazione interattiva 3D di un allineamento proteina che rende DPI chiaro e facile da capire. Ogni posizione nell&#39;allineamento è rappresentata come una colonna nella visualizzazione, in cui ogni colonna è costituita da una pila di sfere, una per ciascuno dei 20 aminoacidi che potrebbero essere presenti in quella posizione entro l&#39;allineamento. La dimensione della sfera dipende dalla frequenza di occorrenza degli aminoacidi, in modo tale che l&#39;utente può raccogliere immediatamente il residuo consenso o la relativa distribuzione di amminoacidi all&#39;interno di tale posizione semplicemente guardando le dimensioni delle sfere. Le colonne rappresentano ciascuna posizione sono avvolti attorno ad un cilindro. Questo dà ogni sfera che rappresenta una possibile amminoacido in ciascuna posizione l&#39;allineamento, una chiara &#39;linea di vista&#39;ad ogni altra possibilità ammino acido in ogni altra posizione. Prima della visualizzazione, StickWRLD calcola la forza della correlazione tra tutte le possibili combinazioni di residui per identificare il DPI 9. Per rappresentare DPI, linee sono disegnate tra i residui che sono coevolving ad una maggiore o minore di quanto ci si aspetterebbe se i residui presenti nelle posizioni erano indipendenti (DPI). Non solo questa visualizzazione spettacolo che le posizioni di sequenza interagiscono evolutivamente, ma come le strisce di margine IPD sono disegnate tra le sfere di aminoacidi in ogni colonna, l&#39;utente può determinare rapidamente che gli amminoacidi specifici tendono ad essere coevolving in ciascuna posizione. L&#39;utente ha la possibilità di ruotare e di esplorare la struttura IPD visualizzato, nonché dinamicamente modificare le soglie statistiche che controllano la visualizzazione delle correlazioni, rendendo StickWRLD un potente strumento di scoperta per DPI. Applicazioni come GREMLIN 7 similarly visualizzare le informazioni relazionali complesse tra i residui - ma queste relazioni sono calcolati con più modelli tradizionali di Markov, che non sono progettati per determinare eventuali relazioni condizionate. Come tali, questi sono in grado di essere visualizzato come proiezioni 2D. Per contro, StickWRLD può calcolare e visualizzare le dipendenze condizionali multi-nodo, che può essere offuscati se reso come un grafico 2D (un fenomeno noto come occlusione bordo). Vista 3D di StickWRLD ha anche diversi altri vantaggi. Consentendo agli utenti di manipolare le visuali - caratteristiche che possono essere offuscati o poco intuitivo in una rappresentazione 2D può essere più facilmente visibile nel cilindro 3D di StickWRLD - panning, rotazione e zoom. StickWRLD è essenzialmente uno strumento di analisi visiva, sfruttando la potenza di pattern recognition capacità del cervello umano di vedere i modelli e le tendenze, e la possibilità di esplorare i dati da diversi punti di vista si presta a questo.

<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

Allineamenti proteine ​​sono comunemente utilizzati per valutare la somiglianza dei residui proteici, e la sequenza di consenso derivata utilizzati per identificare le unità funzionali (ad esempio domini). Modelli di costruzione del consenso tradizionali non riescono a spiegare le dipendenze interposizione - funzionalmente necessaria covarianza dei residui che tendono ad apparire contemporaneamente in tutta l&#39;evoluzione e attraverso l&#39;albero phylogentic. Queste relazioni possono rivelare importanti indizi circa i processi di ripiegamento delle proteine, termostabilità, e la formazione di siti funzionali, che a loro volta possono essere utilizzati per informare l&#39;ingegneria delle proteine ​​sintetiche. Purtroppo, queste relazioni essenzialmente formano sub-motivi che non può essere previsto da semplice &quot;regola di maggioranza&quot; o modelli di consenso anche a base di HMM, e il risultato può essere un &quot;consenso&quot; biologicamente non valido, che non è solo mai visto in natura, ma è meno praticabile di qualsiasi proteina esistente. Abbiamo sviluppato un un visivostrumento alytics, StickWRLD, che crea una rappresentazione interattiva 3D di un allineamento di proteine ​​e chiaramente mostra covarying residui. L&#39;utente ha la possibilità di pan e zoom, nonché dinamicamente modificare la soglia statistica alla base della individuazione di covarianti. StickWRLD è già stata utilizzata con successo per identificare i residui covarying funzionalmente necessarie in proteine ​​come adenilato chinasi e in sequenze di DNA, come siti di destinazione endonuclease.

StickWRLD è stato utilizzato in precedenza per rilevare le dipendenze interposizione (IPDS) tra residui sia DNA 3 e proteine ​​15-17 allineamenti. Questi residui co-evoluzione, mentre spesso distale uno dall&#39;altro in allineamento di sequenze, sono spesso prossimale tra loro nella proteina ripiegata. StickWRLD permette una rapida scoperta di specifici residui di co-occorrenza di tali siti, ad esempio., Una alanina in posizione &quot;X&quot; è fortemente correlato a una treonina alla posizione &quot;y&quot;. Tali correlazioni possono essere indicativi di relazioni strutturali dimostrabili, e in genere sono siti che, per necessità, co-evolvono. StickWRLD è in grado di rilevare questi rapporti anche se più &quot;tradizionali&quot; Approcci usando HMM per descrivere motivi sicuro. Ad esempio, l&#39;analisi dell&#39;allineamento PFAM del dominio coperchio ADK usando StickWRLD rivela una forte correlazione positiva tra cisteine ​​(C) nelle posizioni 4 e 8 e una coordinatacoppia di C nelle posizioni 35 e 38. Allo stesso tempo, StickWRLD mostrato una simile forte relazione positiva tra istidina (H) e serina (S) a 4 e 8, con forti relazioni negative tra questi e il quartetto C a 4, 8, 35, e 38, e una forte relazione positiva con acido aspartico (D) e treonina (T) in posizioni 35 e 38 rispettivamente. Esistono DPI aggiuntivi tra la H, S, D, T motivo e una T e G alla posizione **** 10 e 29 in b subtilis **** evidenziando la natura condizionale di questi DPI - il motivo tetracysteine ​​non &#39;cura&#39; sulle identità a queste due posizioni, mentre l&#39;H idrofila, S, D, T triade richiede specifici residui in queste posizioni quasi assolutamente. Questi due completamente diversi motivi di residui in funzione della posizione possono svolgere lo stesso ruolo del coperchio ADK. Come si vede in figura 6, un grande cluster di DPI, compresa un&#39;associazione 3-nodo fra G (glicina) alla posizione 132, Y (tirosina) alla posizione 135, e un P (Proline) alla posizione 141, è visibile in primo piano (Figura 6A). In figura 6B, la vista è distorta per posizionare l&#39;utente leggermente sopra il cilindro, rivelando una IPD tra un H (istidina) alla posizione 136 e una M (metionina) alla posizione 29, 107 residui lontana. Un motivo PFAM HMM di derivazione dello stesso dominio (figura 2), nel frattempo, non solo non rileva questi come in particolare le varianti di co-occuring motivi, ma definisce anche i raggruppamenti complessivi in uno schema biologicamente non supportato 16. <img alt="Figura 1" src="/files/ftp_upload/52878/52878fig1highres.jpg" width="500" /> Figura 1. &quot;Subway Map&quot; rappresentazione del B. subtilis adenosina chinasi struttura di dominio (ADK) coperchio. Le frecce indicano DPI individuati nell&#39;allineamento PFAM di ADK dominio coperchio StickWRLD. StickWRLD è in grado di identificare correttamente DPI all&#39;interno di un cluster of residui che si trovano in prossimità della proteina ripiegata. Di particolare interesse sono la coppia T e G alla posizione 9 e 29, che costituiscono solo IPD quando tetrade di residui a 4, 7, 24, e 27 non è C, C, C, C). Numeri residui visualizzato rappresenta B. subtilis posizione e non Pfam posizioni di allineamento. <a href="https://www.jove.com/files/ftp_upload/52878/52878fig1highres.jpg" target="_blank">Cliccate qui per vedere una versione più grande di questa figura.</a> <img alt="Figura 2" src="/files/ftp_upload/52878/52878fig2highres.jpg" width="700" /> Figura 2. Skylign 18 Hidden Markov Model (HMM) Sequenza Logo per il dominio coperchio ADK. Mentre HMM sono strumenti potenti per determinare le probabilità in ogni posizione, così come il contributo di ciascun sito per il modello generale, l&#39;indipendenza posizionale di HMM li rende inadatto per la rilevazione di DPI. Questo modello non suggeriscono alcunadipendenze visto nelle rappresentazioni StickWRLD (Figura 6). <a href="https://www.jove.com/files/ftp_upload/52878/52878fig2highres.jpg" target="_blank">Cliccate qui per vedere una versione più grande di questa figura.</a> <img alt="Figura 3" src="/files/ftp_upload/52878/52878fig3.jpg" /> Figura 3. Il StickWRLD Data Loader. Gli utenti possono scegliere tra i dati demo esistenti oppure caricare i propri dati in forma di DNA o sequenze proteiche allineamenti. <img alt="Figura 4" src="/files/ftp_upload/52878/52878fig4highres.jpg" width="600" /> Figura 4. La finestra StickWRLD di controllo. Il pannello di controllo consente all&#39;utente di modificare varie proprietà della vista, nonché regolare le soglie che controllano la visualizzazione delle strisce di margine che indicano le relazioni tra residui (DPI). Cerchiati in rosso sono i valori predefiniti che in genere necessitano di t<html> o essere regolata per una migliore visualizzazione di qualsiasi set di dati. Il valore residuo imposta la soglia di (osservato del previsto) per il quale le linee connettore / associazione sono disegnati. I comandi per colonna e palle etichette controllano se la posizione della colonna e dei valori residui (per esempio, &quot;A&quot; per arginina) vengono visualizzati. La colonna Bordo cavicchi di controllo di linea e fuori la visualizzazione delle linee di bordo che collegano le colonne - per i set di dati densi questo è meglio spento. I controlli Colonna Spessore se la colonna stessa viene visualizzato -. Impostazione a un valore molto piccolo (ad esempio, 0,1) disegnerà una linea attraverso le sfere della colonna, rendendo più semplice per distinguere le colonne le une dalle altre <a href="https://www.jove.com/files/ftp_upload/52878/52878fig4highres.jpg" target="_blank">Clicca qui per visualizzare una versione più grande di questa figura.</a> <html> ghres.jpg &quot;width =&quot; 600 &quot;/&gt; Figura 5. vista iniziale della finestra StickWRLD OpenGL con l&#39;adenilato chinasi dominio coperchio set di dati proteina caricato. La prospettiva iniziale sembra &quot;down&quot; attraverso il cilindro costituito delle posizioni di allineamento sequenza. L&#39;utente può ruotare il cilindro con sinistro del mouse fare clic e trascinare, e lo zoom in / out con il pulsante destro del mouse fare clic e trascinare. La vista iniziale è abbastanza denso, perché la visualizzazione predefinita mostra anche piccole percentuali di co-evoluzione. Per molte proteine, in questa impostazione, moduli distinti possono essere rilevati, ma anche in aree densamente co-evoluzione proteine ​​il display può essere rapidamente e in modo interattivo semplificato per trovare le IPD più importanti utilizzando l&#39;interfaccia StickWRLD. <a href="https://www.jove.com/files/ftp_upload/52878/52878fig5highres.jpg" target="_blank">Cliccate qui per vedere una versione più grande questa cifra.</a> ghres.jpg &quot;width =&quot; 700 &quot;/&gt; Figura 6. Vista del primo piano di una visualizzazione StickWRLD della proteina dominio coperchio adenilato chinasi. Qui abbiamo cambiato il default residuo di 0,2. Questo aumenta la soglia per la visualizzazione dei bordi tra residui, mostrando meno bordi. I bordi che rimangono indicano DPI fortemente associati. Inoltre la vista è stata ruotata e ingrandita per consentire per facilitare la visualizzazione dei bordi. (A) Un grande cluster di DPI è visibile in primo piano, tra cui un&#39;associazione 3-nodo fra G (glicina) alla posizione 132, Y (tirosina) alla posizione 135, e P (prolina) nella posizione 141. (B) Il punto di vista è stata distorta per posizionare l&#39;utente leggermente al di sopra del cilindro, svelando un IPD tra un H (istidina) alla posizione 136 e una M (metionina) alla posizione 29, 107 residui distante. <a href="https://www.jove.com/files/ftp_upload/52878/52878fig6highres.jpg" target="_blank">Clicca qui per vedere una versione più grande di questo figura.</a><img alt="Figura 7" src="/files/ftp_upload/52878/52878fig7.jpg" /> Figura 7. Finestra StickWRLD Controllo visualizzare informazioni in basso a destra. CTRL + clic sinistro su un oggetto (ad esempio, sfera o bordo) nella finestra OpenGL visualizza le informazioni per l&#39;oggetto in basso a destra della finestra StickWLRD controllo. Qui vediamo le informazioni per un bordo IPD tra una metionina nella posizione 29 e una istidina in posizione 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.

Ottimizzazione di proteine ​​sintetiche: identificazione di interposizione Dipendenze Indicazione Strutturalmente e / o residui funzionalmente collegate

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 Views.  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.

Verso Biomimicking Legno: Fabbricato Free-standing Films di Nanocellulose, lignina, e policatione sintetico

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

Ricerca

Chimica

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.

Stabilizzazione epatocellulare Fenotipo Utilizzando superfici sintetiche ottimizzati

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.

Metodologia sintetico per Asymmetric Ferrocene derivati ​​sistemi bio-coniugati attraverso Solid Metodologia Resina a base di 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.

Tenda Colonna flusso: ottimizzazione dell&#39;efficienza e della sensibilità

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 preparazione e la proprietà di Thermo-reversibile reticolato Chimica Gomma 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.

Sintesi di nanofili di platino-nichel e ottimizzazione per le prestazioni di riduzione di ossigeno

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.

Colore Spot Test come strumento presuntivo per la rilevazione rapida di Cathinones sintetico

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.

Caratterizzazione di polimeri sintetici tramite matrice assistita Laser desorbimento ionizzazione tempo di spettrometria di massa (MALDI-TOF) di volo

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 Facile metodo sintetico per ottenere bismuto Oxyiodide microsfere altamente funzionale per i processi fotocatalitici di depurazione delle acque

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.

Estrazione ultraveloce di Lignin da residui lignocellulosici mediterranei insoliti

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

Ottimizzazione di proteine ​​sintetiche: identificazione di interposizione Dipendenze Indicazione Strutturalmente e / o residui funzionalmente collegate

Ottimizzazione di proteine sintetiche: identificazione di interposizione Dipendenze Indicazione Strutturalmente e / o residui funzionalmente collegate