Programming supramolecular peptide materials for immunological applications

10.33540/604 ◽  
2021 ◽  
Author(s):  
◽  
Chun Yin Jerry Lau
Keyword(s):  
Peptide Materials

Peptide Materials for Smart Therapeutic Applications

2021 ◽  
Vol 29 (1) ◽  
pp. 2-14
Author(s):  
Jeonghun Lee ◽  
Chulhee Kim
Keyword(s):  
Therapeutic Applications ◽  
Peptide Materials

scholarly journals Towards Developing Bioresponsive, Self-Assembled Peptide Materials: Dynamic Morphology and Fractal Nature of Nanostructured Matrices

Materials ◽  
2018 ◽  
Vol 11 (9) ◽  
pp. 1539 ◽  
Author(s):  
Kyle Koss ◽  
Larry Unsworth
Keyword(s):  
Fine Structure ◽  
Focal Point ◽  
Peptide Delivery ◽  
Bioactive Molecules ◽  
Matrix Metalloproteinase 2 ◽  
Fractal Nature ◽  
Self Assembling ◽  
Delivery Platform ◽  
Peptide Materials ◽  
Novel Strategy

(Arginine-alanine-aspartic acid-alanine)4 ((RADA)4) nanoscaffolds are excellent candidates for use as peptide delivery vehicles: they are relatively easy to synthesize with custom bio-functionality, and assemble in situ to allow a focal point of release. This enables (RADA)4 to be utilized in multiple release strategies by embedding a variety of bioactive molecules in an all-in-one “construct”. One novel strategy focuses on the local, on-demand release of peptides triggered via proteolysis of tethered peptide sequences. However, the spatial-temporal morphology of self-assembling nanoscaffolds may greatly influence the ability of enzymes to both diffuse into as well as actively cleave substrates. Fine structure and its impact on the overall effect on peptide release is poorly understood. In addition, fractal networks observed in nanoscaffolds are linked to the fractal nature of diffusion in these systems. Therefore, matrix morphology and fractal dimension of virgin (RADA)4 and mixtures of (RADA)4 and matrix metalloproteinase 2 (MMP-2) cleavable substrate modified (RADA)4 were characterized over time. Sites of high (glycine-proline-glutamine-glycine+isoleucine-alanine-serine-glutamine (GPQG+IASQ), CP1) and low (glycine-proline-glutamine-glycine+proline-alanine-glycine-glutamine (GPQG+PAGQ), CP2) cleavage activity were chosen. Fine structure was visualized using transmission electron microscopy. After 2 h of incubation, nanofiber networks showed an established fractal nature; however, nanofibers continued to bundle in all cases as incubation times increased. It was observed that despite extensive nanofiber bundling after 24 h of incubation time, the CP1 and CP2 nanoscaffolds were susceptible to MMP-2 cleavage. The properties of these engineered nanoscaffolds characterized herein illustrate that they are an excellent candidate as an enzymatically initiated peptide delivery platform.

Chemistry of Peptide Materials

2013 ◽  
pp. 39-63 ◽  
Author(s):  
Fernando Formaggio ◽  
Alessandro Moretto ◽  
Marco Crisma ◽  
Claudio Toniolo
Keyword(s):  
Peptide Materials

Development of High Functional Collagen Peptide Materials using Skate Skins

2016 ◽  
Vol 25 (4) ◽  
pp. 579-588 ◽  
Author(s):  
Jang-Mi Baek ◽  
◽  
Keon-Hee Kang ◽  
Sang-Ho Kim ◽  
Jeong-Sook Noh ◽  
...  
Keyword(s):  
Collagen Peptide ◽  
Peptide Materials

scholarly journals Design of protein and peptide materials for use in nanotechnological applications

2019 ◽  
Author(s):  
Χρυσούλα Κοκοτίδου
Keyword(s):  
Peptide Materials ◽  
Hiv 1

Τα πρωτεϊνικά και πεπτιδικά υλικά με καθορισμένη μορφολογία χρησιμοποιούνται σε μια ευρεία περιοχή εφαρμογών. Τα πλεονεκτήματα τους ειναι η έμφυτη βιοσυμβατότητα τους, η βιοαποκοδομησιμότητα τους και η ευελιξία του σχεδιασμού και της κατασκευής τους. Η παρούσα διδακτορική εργασία επικεντρώνεται στο σχεδιασμό και τη μελέτη τέτοιων βιοϋλικών χρησιμοποιώντας ως πρότυπο σύστημα μια φυσική ινώδη πρωτεΐνη, την ίνα του αδενοϊού τύπου 2. Η ίνα του αδενοϊού ειναι μια ομοτριμερής πρωτεΐνη που αποτελείται από ένα Ν-τελικό άκρο, ένα λεπτό κεντρικό μίσχο και ενα C-τελικό άκρο, το οποίο είναι υπεύθυνο για τη προσκόλληση του ιού στους υποδοχείς των κυττάρων. Έχοντας ως εκμαγείο το μίσχο της Αd2 ίνας και εισάγοντας λειτουργικά χαρακτηριστικά μέσω τεχνικών μοριακής κλωνοποίησης, σχεδιάστηκε μια σειρά νέων υβριδικών πρωτεϊνών. Οι χιμαιρικές αυτές πρωτεΐνες καθίστανται πιο σταθερές και δυνητικά θα μπορούσαν να βρούνε χρήση ως μεταφορείς φαρμάκων καθώς επίσης και σε εφαρμογές γονιδιακής θεραπείας. Τα αμυλοειδή ινίδια που προέρχονται από τις μελετημένες αλληλουχίες του μίσχου της ίνας του αδενοϊού και από μια κοινή αλληλουχία στο Αβ πεπτίδιο του Αlzheimer και στον V3 βρόγχο του HIV-1, λόγω των εγγενών μηχανικών τους ιδιοτήτων ειναι ιδανικά για χρήση ως ικριώματα. Με την εφαρμογή υπολογιστικών μεθόδων, τα πεπτίδια μπορούν να σχεδιαστούν ορθολογικά με την μετάλλαξη επιδεκτικών σε τροποποιήσεις περιοχών, με στόχο την κατασκευή βιοϋλικών με «κατ 'απαίτηση» λειτουργίες. Ένα σημαντικό μέρος αυτής της μελέτης επικεντρώνεται στην πειραματική μελέτη δυο ορθολογικά και υπολογιστικά σχεδιασμένων πεπτιδίων που είναι θετικά φορτισμένα και έχουν την ικανότητα να δεσμεύουν DNA και να εισέρχονται στο κύτταρο ενώ μεταφέρουν το ‘πακεταρισμένο’ πλασμιδιακό DNA. Όσον αφορά μια άλλη πτυχή αυτής της διδακτορικής μελέτης, αντί να εκμεταλλευτούμε τα πλεονεκτήματα της αμυλοείδωσης, επιδιώξαμε να αναστείλουμε τη διαδικασία σχηματισμού αμυλοειδών ινιδίων. Το πεπτίδιο που σχεδιάστηκε ήταν εμπνευσμένο από τις προαναφερθείσες φυσικές αλληλουχίες. Παρά την ομοιότητα του με τις αλληλουχίες που σχηματίζουν αμυλοειδή ινίδια, περιέχει το αμινοξύ προλίνη, το οποίο θεωρείται αναστολέας της δημιουργίας των β-φύλλων. Το σχεδιασμένο αυτο πεπτίδιο δεν αυτο-οργανώνεται σε β-φύλλα αλλά επιπλέον καθυστερεί ή διακόπτει την αυτο-οργάνωσης του Αβ πεπτιδίου σε αμυλοειδή ινίδια. Επομένως παρέχει πληροφορίες που θα μπορούσαν να χρησιμεύσουν ως βάση για -δομικά βασιζόμενο- σχεδιασμό πιθανών αναστολέων της αμυλοείδωσης.

scholarly journals Self-assembling Peptide Discovery: Overcoming Human Bias With Machine Learning

2021 ◽  
Author(s):  
Rohit Batra ◽  
Troy Loeffler ◽  
Henry Chan ◽  
Srilok Sriniva ◽  
Honggang Cui ◽  
...  
Keyword(s):  
Machine Learning ◽  
Self Assembly ◽  
Search Space ◽  
Sequence Length ◽  
Monte Carlo Tree Search ◽  
Self Assembling ◽  
Naturally Occurring ◽  
Peptide Materials ◽  
Dynamics Simulations ◽  
Better Than

Abstract Peptide materials have a wide array of functions from tissue engineering, surface coatings to catalysis and sensing. This class of biopolymer is composed of a sequence, comprised of 20 naturally occurring amino acids whose arrangement dictate the peptide functionality. While it is highly desirable to tailor the amino acid sequence, a small increase in their sequence length leads to dramatic increase in the possible candidates (e.g., from tripeptide = 20^3 or 8,000 peptides to a pentapeptide = 20^5 or 3.2 M). Traditionally, peptide design is guided by the use of structural propensity tables, hydrophobicity scales, or other desired properties and typically yields <10 peptides per study, barely scraping the surface of the search space. These approaches, driven by human expertise and intuition, are not easily scalable and are riddled with human bias. Here, we introduce a machine learning workflow that combines Monte Carlo tree search and random forest, with molecular dynamics simulations to develop a fully autonomous computational search engine (named, AI-expert) to discover peptide sequences with high potential for self-assembly (as a representative target functionality). We demonstrate the efficacy of the AI-expert to efficiently search large spaces of tripeptides and pentapeptides. Subsequent experiments on the proposed peptide sequences are performed to compare the predictability of the AI-expert with those of human experts. The AI performs on-par or better than human experts and suggests several non-intuitive sequences with high self-assembly propensity, outlining its potential to overcome human bias and accelerate peptide discovery.

Sign in / Sign up

Export Citation Format

Share Document