《Nature | 从超分子凝胶中机械释放同源蛋白质》

  • 来源专题:战略生物资源
  • 编译者: 李康音
  • 发布时间:2024-07-19
  • 2024年7月17日, 格拉斯哥大学等机构的研究人员在Nature发表了题为Mechanical release of homogenous proteins from supramolecular gels的文章。

    如何配制蛋白质和疫苗,使其在储存和运输过程中保持功能,并消除冷链管理的负担,是一项长期存在的挑战。任何解决方案都必须切实可行,使用与临床相关的触发器释放或应用蛋白质。先进的生物疗法是冷藏分发的,需要消耗大量能源,限制了在资源匮乏国家的公平分发,并要求用户承担正确储存和处理的责任。

    冷链管理是目前蛋白质运输的最佳解决方案,但需要大量的基础设施和能源。例如,在研究实验室中,一个零下 80 °C 的冰柜每天消耗的能源相当于一个小家庭所用。在生物(蛋白质或细胞)疗法和所有疫苗中,75% 需要冷链管理;自 2015 年以来,临床试验中的冷链管理成本增加了约 20%,反映了这种复杂性。现在需要定制配方和辅料,广泛使用糖醛酸、蔗糖或聚合物,它们通过取代表面水分子来稳定蛋白质,从而降低热力学变性的可能性;这使得冻干蛋白质和冷冻蛋白质成为可能。例如,人类乳头状瘤病毒疫苗需要铝盐佐剂才能发挥作用,但这些佐剂会使疫苗在冻融过程中变得不稳定,导致供应链非常复杂和昂贵。其他想法还包括对蛋白质进行防腐处理和化学修饰。总之,蛋白质稳定化是一项挑战,没有通用的解决方案。

    该研究设计了一种坚硬的水凝胶,即使在 50 °C 下也能稳定蛋白质,防止热变性,而且与现有技术不同的是,这种水凝胶可以通过机械方式从注射器中释放出纯净的、不含辅料的蛋白质。在不影响释放机制的情况下,大分子的负载量可高达 10 wt%。这种独特的稳定和无赋形剂释放协同作用提供了一种实用、可扩展和多用途的解决方案,可在全球范围内实现低成本、无冷链和公平地提供治疗。

  • 原文来源:https://www.nature.com/articles/s41586-024-07580-0
相关报告
  • 《光控制治疗性蛋白精准释放》

    • 来源专题:生物科技领域知识集成服务
    • 编译者:陈方
    • 发布时间:2021-03-09
    • 光控制治疗性蛋白精准释放 蛋白质疗法通常比其他类型的药物(尤其是小分子)对生化指标更有效和更具选择性,但蛋白质容易被酶降解或被肾脏从血液中清除。由于蛋白质在体内的不稳定,常常需要高剂量服用,这可能会引起较大副作用。科学家们试图通过将蛋白质药物封装在诸如脂质体、纳米颗粒和红细胞的载体中使其免于降解,但运输载体在适当的地点和时间释放药物一直是一个挑战。 2020年12月9日ACS Central Science报道,美国北卡罗来纳大学研究人员开发出了一种工程化的红细胞(RBC)载体,该载体可在蜂毒肽的帮助下,通过光照控制释放治疗性蛋白质,可以实现在人体的特定区域释放功能。 蜂毒肽(honey bee peptide)是欧洲蜜蜂毒液的一种成分,通常会导致红细胞破裂。研究小组对蜂毒肽进行了修饰,使其只有在特定波长的光照射下才能起作用。研究人员将这种修饰过的蜂毒肽嵌入了红细胞的细胞膜中。 作为概念证明,研究人员将凝血酶加载到工程红细胞中,将其注射到小鼠体内,然后在每只老鼠的耳朵的一个小区域上照亮灯光,并检查组织的各个部分,结果显示血液仅在受照部位凝结。研究者表示,该策略适用于各种基于脂质的载体中光触发释放蛋白质、肽和核酸治疗剂,有助于实现药物的精准释放。 吴晓燕 编译自https://phys.org/news/2020-12-red-blood-cells-honey-bee.html 原文链接:https://pubs.acs.org/doi/abs/10.1021/acscentsci.0c01151 原文标题:Light-Controlled Release of Therapeutic Proteins from Red Blood Cells
  • 《Cell丨从蛋白质图像中机器学习可解释的细胞力学模型》

    • 来源专题:战略生物资源
    • 编译者:李康音
    • 发布时间:2024-01-10
    • 2024年1月8日,芝加哥大学詹姆斯-弗兰克研究所的科研人员在Cell上发表了题为Machine learning interpretable models of cell mechanics from protein images的研究论文。 细胞的形态和功能源于细胞质内复杂的机械化学系统。目前,还没有系统的策略可以从细胞的分子成分推断出细胞的大规模物理特性。这是理解细胞粘附和迁移等过程的障碍。 该研究开发了一个数据驱动的建模管道来学习粘附细胞的机械行为。作者首先训练神经网络,从细胞骨架蛋白的图像中预测细胞力。令人吃惊的是,单个焦点粘附(FA)蛋白(如zyxin)的实验图像就足以预测作用力,并能推广到未见过的生物机制。利用这一观察结果,作者开发了两种方法--一种受物理学制约,另一种则与物理学无关--来构建数据驱动的细胞力连续模型。这两种方法都揭示了细胞力是如何被两种不同的长度尺度编码的。除了粘附细胞力学,作者的工作还可作为将神经网络整合到细胞生物学预测模型中的案例研究。