Erforschung der biomolekularen Interaktion zwischen dem molekularen Chaperon Hsp90 und seiner Client-Proteinkinase Cdc37 unter Verwendung der Feldeffekt-Biosensortechnologie
Summary
Field-Effect Biosensing (FEB) ist eine markierungsfreie Technik zum Nachweis biomolekularer Wechselwirkungen. Es misst den elektrischen Strom durch den Graphen-Biosensor, an den die Bindungsziele immobilisiert werden. Die FEB-Technologie wurde verwendet, um biomolekulare Wechselwirkungen zwischen Hsp90 und Cdc37 zu bewerten und eine starke Wechselwirkung zwischen den beiden Proteinen wurde nachgewiesen.
Abstract
Biomolekulare Wechselwirkungen spielen in zahlreichen zellulären Prozessen eine vielseitige Rolle, indem sie funktionell relevante biologische Ereignisse regulieren und koordinieren. Biomoleküle wie Proteine, Kohlenhydrate, Vitamine, Fettsäuren, Nukleinsäuren und Enzyme sind grundlegende Bausteine von Lebewesen; Sie fügen sich zu komplexen Netzwerken in Biosystemen zusammen, um eine Vielzahl von Lebensereignissen zu synchronisieren. Proteine nutzen typischerweise komplexe Interaktomnetzwerke, um ihre Funktionen auszuführen; Daher ist es zwingend erforderlich, solche Wechselwirkungen zu bewerten, um ihre Bedeutung in Zellen sowohl auf zellulärer als auch auf organismischer Ebene zu entschlüsseln. Um dieses Ziel zu erreichen, führen wir eine schnell aufstrebende Technologie ein, die Feldeffekt-Biosensorik (FEB), um spezifische biomolekulare Wechselwirkungen zu bestimmen. FEB ist eine Benchtop-, markierungsfreie und zuverlässige biomolekulare Detektionstechnik zur Bestimmung spezifischer Wechselwirkungen und verwendet hochwertige elektronisch-basierte Biosensoren. Die FEB-Technologie kann aufgrund der biokompatiblen Nanomaterialien, die auf ihrer Biosensoroberfläche verwendet werden, Wechselwirkungen im nanomolaren Bereich überwachen. Als Proof of Concept wurde die Protein-Protein-Interaktion (PPI) zwischen Hitzeschockprotein 90 (Hsp90) und Zellteilungszyklus 37 (Cdc37) aufgeklärt. Hsp90 ist ein ATP-abhängiges molekulares Chaperon, das eine wesentliche Rolle bei der Faltung, Stabilität, Reifung und Qualitätskontrolle vieler Proteine spielt und dadurch mehrere lebenswichtige Zellfunktionen reguliert. Cdc37 gilt als Proteinkinase-spezifisches molekulares Chaperon, da es spezifisch Proteinkinasen zu Hsp90 erkennt und rekrutiert, um ihre nachgeschalteten Signaltransduktionswege zu regulieren. Daher gilt Cdc37 als Co-Chaperone von Hsp90. Der Chaperon-Kinase-Signalweg (Hsp90/Cdc37-Komplex) ist bei mehreren Malignomen, die das Zellwachstum fördern, hyperaktiviert; Daher ist es ein potenzielles Ziel für die Krebstherapie. Die vorliegende Studie demonstriert die Effizienz der FEB-Technologie anhand des Modellsystems Hsp90/Cdc37. FEB wies einen starken PPI zwischen den beiden Proteinen nach (K-D-Werte von 0,014 μM, 0,053 μM und 0,072 μM in drei unabhängigen Experimenten). Zusammenfassend lässt sich sagen, dass FEB eine markierungsfreie und kostengünstige PPI-Erkennungsplattform ist, die schnelle und genaue Messungen ermöglicht.
Introduction
Biomolekulare Wechselwirkungen:
Proteine sind wesentliche Bestandteile von Organismen und an zahlreichen molekularen Signalwegen wie Zellstoffwechsel, Zellstruktur, Zellsignalisierung, Immunantwort, Zelladhäsion und mehr beteiligt. Während einige Proteine ihre Funktion(en) unabhängig voneinander ausführen, interagieren die meisten Proteine mit anderen Proteinen über eine Bindungsgrenzfläche, um die richtige biologische Aktivität zu koordinieren1.
Biomolekulare Wechselwirkungen können hauptsächlich auf der Grundlage der unterschiedlichen strukturellen und funktionellen Eigenschaften der beteiligten Proteineklassifiziert werden 2, beispielsweise basierend auf den Proteinoberflächen, der komplexen Stabilität oder der Persistenz von Wechselwirkungen3. Die Identifizierung essentieller Proteine und ihrer Rolle in biomolekularen Wechselwirkungen ist entscheidend für das Verständnis biochemischer Mechanismen auf molekularer Ebene4. Derzeit gibt es verschiedene Ansätze, um diese Wechselwirkungen5 zu erkennen: in vitro 6, in silico7, in lebenden Zellen8, ex vivo 9 und in vivo10, wobei jede ihre eigenen Stärken und Schwächen hat.
Die In-vivo-Assays werden unter Verwendung des gesamten Tieres als experimentelles Werkzeugdurchgeführt 11, unddie Ex-vivo-Assays werden an Gewebeextrakten oder ganzen Organen (z. B. Herz, Gehirn, Leber) in einer kontrollierten äußeren Umgebung durchgeführt, wobei die natürlichen Bedingungen nur minimal verändert werden. Die häufigste Anwendung von In-vivo- und Ex-vivo-Studien besteht darin, die pharmakokinetischen, pharmakodynamischen und toxischen Wirkungen potenzieller pharmakologischer Wirkstoffe vor Studien am Menschen zu bewerten, indem ihre allgemeine Sicherheit und Wirksamkeit sichergestelltwird 12.
Biomolekulare Wechselwirkungen können auch innerhalb lebender Zellen nachgewiesen werden. Die Bildgebung lebender Zellen ermöglicht es uns, dynamische Wechselwirkungen zu beobachten, während sie die Reaktionen eines bestimmten biochemischen Weges ausführen13. Darüber hinaus können Detektionstechniken wie Biolumineszenz oder Fluoreszenzresonanz-Energietransfer Informationen darüber liefern, wo und wann diese Wechselwirkungen innerhalb der Zelle auftreten14. Obwohl der Nachweis in lebenden Zellen entscheidende Details bietet, stützen sich diese Nachweismethoden auf Optik und Markierungen, die möglicherweise nicht die native Biologie widerspiegeln. Sie sind auch weniger kontrolliert als In-vitro-Methoden und erfordern spezielles Fachwissen, um15 durchzuführen.
Die In-silico-Berechnungsmethoden werden in erster Linie für das groß angelegte Screening von Zielmolekülen vor den In-vitro-Experimenten eingesetzt. Computergestützte Vorhersagemethoden, computergestützte Datenbanken, molekulares Docking, quantitative Struktur-Aktivitäts-Beziehungen und andere molekulardynamische Simulationsansätze gehören zu den etablierten In-silico-Werkzeugen 16. Im Vergleich zu mühsamen experimentellen Techniken können die In-silico-Werkzeuge leicht Vorhersagen mit hoher Empfindlichkeit, aber mit reduzierter Genauigkeit in der Vorhersageleistungtreffen 17.
In-vitro-Assays werden mit Mikroorganismen oder biologischen Molekülen außerhalb ihres biologischen Standardkontexts durchgeführt. Die Darstellung biomolekularer Interaktionen durch In-vitro-Methoden ist entscheidend für das Verständnis von Proteinfunktionen und der Biologie hinter dem komplexen Netzwerk der Zellfunktion. Die bevorzugte Assay-Methodik wird entsprechend den intrinsischen Eigenschaften des Proteins, den kinetischen Werten und dem Modus und der Intensität der Wechselwirkungenausgewählt 18,19.
Die Hsp90/Cdc37-Interaktion:
Der Chaperon-Kinase-Signalweg, der Hsp90 und Cdc37 verbindet, ist ein vielversprechendes therapeutisches Ziel in der Tumorbiologie20. Hsp90 spielt eine zentrale Rolle bei der Kontrolle des Zellzyklus, der Proteinzusammenordnung, dem Zellüberleben und den Signalwegen. Proteine, die für ihre Funktionen auf Hsp90 angewiesen sind, werden zur Komplexierung durch ein Co-Chaperon wie Cdc37 an Hsp90 abgegeben. Der Hsp90/Cdc37-Komplex steuert die Faltung der meisten Proteinkinasen und dient als Drehscheibe für eine Vielzahl von intrazellulären Signalnetzwerken21. Es ist ein vielversprechendes Anti-Tumor-Ziel aufgrund seiner erhöhten Expression bei verschiedenen Malignomen, einschließlich akuter myeloblastischer Leukämie, multiplem Myelom und hepatozellulärem Karzinom22,23.
Häufig verwendete biomolekulare In-vitro-Interaktionsnachweistechniken
Die Co-Immunpräzipitation (Co-IP) ist eine Technik, die sich auf die Spezifität von Antigen-Antikörpern stützt, um biologisch relevante Wechselwirkungen zu identifizieren24. Der Hauptnachteil dieser Methode ist ihre Unfähigkeit, Wechselwirkungen mit geringer Affinität und kinetische Werte zu erkennen24. Biophysikalische Methoden wie die isotherme Titrationkalorimetrie (ITC), die Oberflächenplasmonenresonanz (SPR), die Biolayer-Interferometrie (BLI) und die FEB-Technologie werden bevorzugt, um die kinetischen Werte zu bestimmen.
ITC ist eine biophysikalische Nachweismethode, die auf der Bestimmung der Bindungsenergie zusammen mit einer vollständigen thermodynamischen Analyse zur Charakterisierung biomolekularer Wechselwirkungenbasiert 25. Der Hauptvorteil von ITC besteht darin, dass keine Markierung oder Fixierung des Zielproteins erforderlich ist. Die Hauptschwierigkeiten, mit denen ITC konfrontiert ist, sind die hohe Konzentration des Zielproteins, die für ein Experiment erforderlich ist, und die Schwierigkeit, nicht-kovalente Komplexe aufgrund kleiner Bindungsenthalpienzu analysieren 26. Sowohl SPR als auch BLI sind markierungsfreie biophysikalische Techniken, die auf der Immobilisierung des Zielmoleküls auf der Sensoroberfläche beruhen, gefolgt von nachfolgenden Injektionen des Analyten über das immobilisierte Ziel27,28. Bei SPR werden Veränderungen des Brechungsindex während biomolekularer Wechselwirkungen gemessen27; In BLI wird die Interferenz im reflektierten Licht in Echtzeit als Änderung der Wellenlänge als Funktion der Zeit28 aufgezeichnet. Sowohl SPR als auch BLI haben gemeinsame Vorteile durch hohe Spezifität, Sensitivität und Erkennungsfunktionen29. Bei beiden Methoden wird das Zielprotein auf Biosensoroberflächen immobilisiert, und daher kann es zu einem gewissen Verlust der nativen Konformation des Ziels kommen, was es schwierig macht, zwischen spezifischen und unspezifischen Wechselwirkungenzu unterscheiden 30. BLI verwendet teure faseroptische Einweg-Biosensoren, um das Ziel zu immobilisieren, und ist daher eine kostspielige Technik31. Im Vergleich zu diesen etablierten biomolekularen Detektionswerkzeugen bietet die FEB-Technologie eine zuverlässige und markierungsfreie Plattform, indem sie niedrige nanomolare Konzentrationen für den biomolekularen Nachweis in Echtzeit mit kinetischer Charakterisierung verwendet. Die FEB-Technologie überwindet auch die sprudelnden Herausforderungen in der ITC und ist im Vergleich zu SPR oder BLI kostengünstiger.
Die auf dem Feldeffekttransistor (FET) basierenden Biosensoren sind ein aufstrebendes Gebiet zur Erkennung biomolekularer Wechselwirkungen, indem sie vielfältige biomedizinische Anwendungen anbieten. Im FET-System werden Ziele für die Biosensorchips immobilisiert und Wechselwirkungen durch Änderungen der Leitfähigkeit32 erkannt. Das Alleinstellungsmerkmal, das bei der Entwicklung eines effizienten elektronischen Biosensors zu berücksichtigen ist, sind die physikalisch-chemischen Eigenschaften wie die halbleitende Natur und die chemische Stabilität des Beschichtungsmaterials, das zur Herstellung der Sensoroberflächeverwendet wird 33. Herkömmliche Materialien wie Silizium, die für FET verwendet werden, haben die Empfindlichkeit von Sensoren eingeschränkt, da Oxidschichten zwischen dem Transistorkanal und einer spezifischen Umgebung für ein ordnungsgemäßes Funktionierenerforderlich sind 34. Darüber hinaus sind Siliziumtransistoren empfindlich gegenüber salzreichen Umgebungen, was es schwierig macht, biologische Wechselwirkungen in ihrer natürlichen Umgebung zu messen. Der graphenbasierte Biosensor wird als Alternative vorgestellt, da er eine hervorragende chemische Stabilität und ein elektrisches Feld bietet. Da Graphen eine einzelne Atomschicht aus Kohlenstoff ist, ist es sowohl als Halbleiter extrem empfindlich als auch chemisch mit biologischen Lösungen kompatibel; Beide Eigenschaften sind wünschenswert, um kompatible elektronische Biosensoren35 zu erzeugen. Das bemerkenswerte ultrahohe Belastungspotenzial von Biomolekülen, das graphenbeschichtete Biosensoren bieten, führte zur Entwicklung von graphenbasierten Biosensoren FEB-Technologie.
Prinzip der FEB-Technologie: FEB ist eine markierungsfreie biomolekulare Detektionstechnik, die den elektrischen Strom durch den Graphen-Biosensor misst, an den die Bindungsziele immobilisiert werden. Wechselwirkungen zwischen dem immobilisierten Protein und dem Analyten führen zu Stromänderungen, die in Echtzeit überwacht werden, was genaue kinetische Messungenermöglicht 36.
Instrumentierung: Das FEB-System besteht aus einem Graphen-Feldeffekttransistor (gFET)-Sensorchip und einem elektronischen Lesegerät, das während des gesamten Experiments eine konstante Spannung anlegt (Abbildung 1). Der Analyt wird in Lösung auf das Zielprotein aufgetragen, das auf der Biosensoroberfläche immobilisiert ist. Wenn eine Wechselwirkung auftritt, wird eine Veränderung des Stroms gemessen und in Echtzeit aufgezeichnet. Wenn die Analytkonzentration zunimmt, nimmt auch der Anteil des gebundenen Analyten zu, was zu höheren Veränderungen in der Strömung führt. Mit der mit dem Gerät gelieferten automatisierten Analysesoftware (Table of Materials) wird I-Response in Form von Biosensing-Einheiten (BU)37 gemessen und aufgezeichnet. I-Response ist definiert als die Veränderung des Stroms (I) durch den Biosensorchip, die in Echtzeit bei der Interaktion des immobilisierten Ziels mit dem Analyten gemessen wird. Die automatisierte Analysesoftware FEB kann sowohl die I-Response als auch die C-Response auf dynamische Interaktionsereignisse analysieren, wobei die C-Response die Änderungen der Kapazität (C) aufzeichnet. Die Variationen sowohl der I-Response als auch der C-Response entsprechen direkt dem Anteil des gebundenen Analyten und können weiter analysiert werden, um KD-Werte zu erzeugen. Die Standardeinstellung der automatisierten Analysesoftware ist I-Response.
Abbildung 1: Überblick über den Versuchsaufbau . (A) Chip auf Graphenbasis und ein elektronisches Lesegerät. (B) Eine Übersicht über die Chipkomponenten. Der Chip ist an zwei Elektroden befestigt, die das System mit Strom versorgen. Die Oberfläche des Chips ist mit Graphen bedeckt, das bei Aktivierung das Ziel binden kann. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.
Methodologie:
Zunächst wird der aktivierte Biosensorchip in das FEB-Gerät eingesetzt (Abbildung 1), gefolgt von der Ausführung der folgenden Schritte: (1) Kalibrierung: Das Experiment beginnt mit der Systemkalibrierung unter Verwendung von 1x phosphatgepufferter Kochsalzlösung (PBS; pH = 7,4), um die Ausgangsgleichgewichtsantwort zu erzeugen. (2) Assoziation: Der Analyt wird in den Chip eingeführt und die I-Antwort wird überwacht, bis die Bindungssättigung erreicht ist. (3) Dissoziation: Der Analyt wird mit 1x PBS dissoziiert. (4) Regeneration: Reste des Analyten werden mit 1x PBS entfernt. (5) Waschen: Insgesamt werden fünf Waschungen mit 1x PBS durchgeführt, um die gebundenen und ungebundenen Analyten gründlich vom Chip zu entfernen.
Analyse:
Die Datenanalyse erfolgt mit der vollautomatischen Software, die mit dem Gerät geliefert wird. Die automatisierte Analysesoftware generiert ein Hill-Fit-Diagramm mit einem KD-Wert . Das Hill-Fit-Diagramm beschreibt die Assoziation eines Analyten mit dem Zielprotein als Funktion der Analytkonzentrationen. Die Konzentration, bei der ein halbmaximales Ansprechen erreicht wird, ist proportional zum KD-Wert . Ein niedriger KD-Wert steht für eine hohe Bindungsaffinität und umgekehrt.
Um die aus dem FEB-Experiment gewonnenen Daten zu validieren, werden I-Responses von jedem Auslesepunkt für jede Analytkonzentration mit der Datenüberprüfungs-/Exportsoftware extrahiert und können in andere statistische Analysesoftware (siehe Tabelle der Materialien) exportiert werden, wie unten erläutert.
Protocol
Representative Results
Discussion
In dieser Studie wurde die Machbarkeit der Verwendung der FEB-Technologie (ein kinetischer Charakterisierungsansatz in Echtzeit) bewertet, um die biomolekulare Wechselwirkung zwischen Hsp90 und Cdc37 zu bestimmen. Das erste explorative Experiment (erstes Experiment) schlug vor, dass die Auswahl der richtigen Analytkonzentrationen ein kritischer Teil des Experiments ist und dass das Experiment durch Einbeziehung von Konzentrationspunkten über und unter dem KD-Wert entworfen werden sollte, die auf der Grundlage…
Divulgazioni
The authors have nothing to disclose.
Acknowledgements
Diese Forschung wurde durch einen Zuschuss der Binational Science Foundation (BSF) an S.K.S. und N.Q. unterstützt.
Materials
| Automated analysis software | Agile plus software, Cardea (Nanomed) | NA CAS number: NA |
Referred to in the text as the automated analysis software supplied with the instrument. Generates automated analysis. |
| COOH-BPU (Biosensing Processing Unit) | Agile plus software, Cardea (Nanomed) | NA CAS number: NA |
biosensor chip |
| Data review software | Datalign 1.0, Cardea (Nanomed) | NA CAS number: NA |
Referred to as the supplied data review software in the text. Supplied with the instrument and allows to review and export the information data points. |
| Dialysis bag | CelluSep, Membrane filtration products | T2-10-15 CAS number: NA |
T2 tubings (6,000-8,000 MWCO), (10 mm fw, 6.4mm Ø, 0.32ml/cm, 15m) |
| EDC (1-Ethyl-3-(3-dimethylamino propyl) carbodiimide) | Cardea (Nanomed) | EDC160322-02 CAS number: 25952-53-8 |
White powder |
| ITC (Isothermal titration calorimetry) system | Microcal-PEAQ-ITC (Malvern, United Kingdom) | NA CAS number: NA |
|
| MES (2-(N-morpholino) ethane sulfonic acid) buffer | Merck | M3671-50G CAS number: 4432-31-9 |
White powder |
| NHS (N-Hydroxysulfosuccinimide) chips | Cardea (Nanomed) | NA CAS number: NA |
Graphene-based chip |
| PBS (Phosphate-buffered saline) X 10 | Bio-Lab | 001623237500 CAS number: 7758-11-4 |
Liquid transparent solution |
| Pipete | Thermo Scientific | 11855231 CAS number: NA |
Finnpipette F3 5-50 µL, yellow |
| Quench 1 (3.9 mM amino-PEG5-alcohol in 1 X PBS) | Cardea (Nanomed) | 0105-001-002-001 CAS number: NA |
Liquid, transparent solution |
| Quench 2 (1 M ethanolamine (pH=8.5)) | Cardea (Nanomed) | 0105-001-003-001 CAS number: NA |
Liquid, transparent solution |
| Recombinant protein Cdc37 | Abcam | ab256157 CAS number: NA |
|
| Recombinant protein Hsp90 beta | Abcam | ab80033 CAS number: NA |
|
| Spreadsheet | Excel, Microsoft office | NA CAS number: NA |
|
| Statistical software | GraphPad, Prism | NA CAS number: NA |
Referred to as the other statistical software. Sigma plot, phyton or other statistical programes may also be used |
| Sulfo-NHS | Cardea (Nanomed) | NHS160321-07 CAS number: 106627-54-7 |
White powder |
| Tips | Alex red | LC 1093-800-000 CAS number: NA |
Tip 1-200 µl, in bulk, 1,000 pcs |
Riferimenti
- Tuncbag, N., Gursoy, A., Guney, E., Nussinov, R., Keskin, O. Architectures and functional coverage of protein-protein interfaces. Journal of Molecular Biology. 381 (3), 785-802 (2008).
- Berggård, T., Linse, S., James, P. Methods for the detection and analysis of protein–protein interactions. Proteomics. 7 (16), 2833-2842 (2007).
- Magliery, T. J., et al. Detecting protein-protein interactions with a green fluorescent protein fragment reassembly trap: Scope and mechanism. Journal of the American Chemical Society. 127 (1), 146-157 (2005).
- Xing, S., Wallmeroth, N., Berendzen, K. W., Grefen, C. Techniques for the analysis of protein-protein interactions in vivo. Plant Physiology. 171 (2), 727-758 (2016).
- Nguyen, T. N., Goodrich, J. A. Protein-protein interaction assays: Eliminating false positive interactions. Nature Methods. 3 (2), 135-139 (2006).
- Fernández-Suárez, M., Chen, T. S., Ting, A. Y. Protein-protein interaction detection in vitro and in cells by proximity biotinylation. Journal of the American Chemical Society. 130 (29), 9251-9253 (2008).
- Jiang, M., Niu, C., Cao, J., Ni, D. -. A., Chu, Z. In silico-prediction of protein–protein interactions network about MAPKs and PP2Cs reveals a novel docking site variants in Brachypodium distachyon. Scientific Reports. 8 (1), 15083 (2018).
- Yazawa, M., Sadaghiani, A. M., Hsueh, B., Dolmetsch, R. E. Induction of protein-protein interactions in live cells using light. Nature Biotechnology. 27 (10), 941-945 (2009).
- Wang, W., Goodman, M. T. Antioxidant property of dietary phenolic agents in a human LDL-oxidation ex vivo model: Interaction of protein binding activity. Nutrition Research. 19 (2), 191-202 (1999).
- Xing, S., Wallmeroth, N., Berendzen, K. W., Grefen, C. Techniques for the analysis of protein-protein interactions in vivo. Plant Physiology. 171 (2), 727-758 (2016).
- Qvit, N., Disatnik, M. -. H., Sho, E., Mochly-Rosen, D. Selective phosphorylation inhibitor of delta protein kinase C–Pyruvate dehydrogenase kinase protein–protein interactions: Application for myocardial injury in vivo. Journal of the American Chemical Society. 138 (24), 7626-7635 (2016).
- Alam, M. N., Bristi, N. J., Rafiquzzaman, M. Review on in vivo and in vitro methods evaluation of antioxidant activity. Saudi Pharmaceutical Journal. 21 (2), 143-152 (2013).
- Paulmurugan, R., Gambhir, S. S. Novel fusion protein approach for efficient high-throughput screening of small molecule–mediating protein-protein interactions in cells and living animals. Ricerca sul cancro. 65 (16), 7413-7420 (2005).
- Boute, N., Jockers, R., Issad, T. The use of resonance energy transfer in high-throughput screening: BRET versus FRET. Trends in Pharmacological Sciences. 23 (8), 351-354 (2002).
- Deriziotis, P., Graham, S. A., Estruch, S. B., Fisher, S. E. Investigating protein-protein interactions in live cells using bioluminescence resonance energy transfer. Journal of Visualized Experiments: JoVE. (87), e51438 (2014).
- Ekins, S., Mestres, J., Testa, B. In silico pharmacology for drug discovery: Methods for virtual ligand screening and profiling. British Journal of Pharmacology. 152 (1), 9-20 (2007).
- Valerio, L. G. Application of advanced in silico methods for predictive modeling and information integration. Expert Opinion on Drug Metabolism & Toxicology. 8 (4), 395-398 (2012).
- Piehler, J. New methodologies for measuring protein interactions in vivo and in vitro. Current Opinion in Structural Biology. 15 (1), 4-14 (2005).
- Ideker, T., Sharan, R. Protein networks in disease. Genome Research. 18 (4), 644-652 (2008).
- Lu, H., et al. Recent advances in the development of protein–protein interactions modulators: mechanisms and clinical trials. Signal Transduction and Targeted Therapy. 5 (1), 213 (2020).
- Jarosz, D. Hsp90: A global regulator of the genotype-to-phenotype map in cancers. Advances in Cancer Research. 129, 225-247 (2016).
- Johnson, V. A., Singh, E. K., Nazarova, L. A., Alexander, L. D., McAlpine, S. R. Macrocyclic inhibitors of Hsp90. Current Topics in Medicinal Chemistry. 10 (14), 1380-1402 (2010).
- Mahalingam, D., et al. Targeting HSP90 for cancer therapy. British Journal of Cancer. 100 (10), 1523-1529 (2009).
- Stewart, A., Fisher, R. A. Co-Immunoprecipitation: Isolation of protein signaling complexes from native tissues. Methods in Cell Biology. 112, 33-54 (2012).
- Pierce, M. M., Raman, C. S., Nall, B. T. Isothermal titration calorimetry of protein-protein interactions. Methods. 19 (2), 213-221 (1999).
- Paketurytė, V., et al. Inhibitor binding to carbonic anhydrases by isothermal titration calorimetry. Carbonic Anhydrase as Drug Target. , 79-95 (2019).
- Grote, J., Dankbar, N., Gedig, E., Koenig, S. Surface plasmon resonance/mass spectrometry interface. Analytical Chemistry. 77 (4), 1157-1162 (2005).
- Kumaraswamy, S., Tobias, R. Label-free kinetic analysis of an antibody–antigen interaction using biolayer interferometry. Methods in Molecular Biology. , 165-182 (2015).
- Wallner, J., Lhota, G., Jeschek, D., Mader, A., Vorauer-Uhl, K. Application of bio-layer interferometry for the analysis of protein/liposome interactions. Journal of Pharmaceutical and Biomedical Analysis. 72, 150-154 (2013).
- Singh, A. N., Ramadan, K., Singh, S. Experimental methods to study the kinetics of protein–protein interactions. Advances in Protein Molecular and Structural Biology Methods. , 115-124 (2022).
- Frenzel, D., Willbold, D. Kinetic titration series with biolayer interferometry. PLoS One. 9 (9), 106882 (2014).
- Vu, C. -. A., Chen, W. -. Y. Field-effect transistor biosensors for biomedical applications: Recent advances and future prospects. Sensors. 19 (19), 4214 (2019).
- Bergveld, P. A critical evaluation of direct electrical protein detection methods. Biosensors & Bioelectronics. 6 (1), 55-72 (1991).
- Lowe, B. M., Sun, K., Zeimpekis, I., Skylaris, C. K., Green, N. G. Field-effect sensors – from pH sensing to biosensing: sensitivity enhancement using streptavidin–biotin as a model system. The Analyst. 142 (22), 4173-4200 (2017).
- Goldsmith, B. R., et al. Digital biosensing by foundry-fabricated graphene sensors. Scientific Reports. 9 (1), 434 (2019).
- Afsahi, S., et al. Novel graphene-based biosensor for early detection of Zika virus infection. Biosensors and Bioelectronics. 100, 85-88 (2018).
- Afsahi, S. J., et al. Towards novel graphene-enabled diagnostic assays with improved signal-to-noise ratio. MRS Advances. 2 (60), 3733-3739 (2017).
- Roe, S. M., et al. The mechanism of Hsp90 regulation by the protein kinase-specific cochaperone p50cdc37. Cell. 116 (1), 87-98 (2004).
- Gaiser, A. M., Kretzschmar, A., Richter, K. Cdc37-Hsp90 complexes are responsive to nucleotide-induced conformational changes and binding of further cofactors. The Journal of Biological Chemistry. 285 (52), 40921-40932 (2010).
- Popescu, A. I., Găzdaru, D. M., Chilom, C. G., Bacalum, M. Biophysical interactions: Their paramount importance for life. Romanian Reports in Physics. 65 (3), 1063-1077 (2013).
- Surya, S., Abhilash, J., Geethanandan, K., Sadasivan, C., Haridas, M. A profile of protein-protein interaction: Crystal structure of a lectin-lectin complex. International Journal of Biological Macromolecules. 87, 529-536 (2016).
- Velazquez-Campoy, A., Freire, E. ITC in the post-genomic era…? Priceless. Biophysical Chemistry. 115 (23), 115-124 (2005).
- Concepcion, J., et al. Label-free detection of biomolecular interactions using bioLayer interferometry for kinetic characterization. Combinatorial Chemistry & High Throughput Screening. 12 (8), 791-800 (2009).
- Helmerhorst, E., Chandler, D. J., Nussio, M., Mamotte, C. D. Real-time and label-free bio-sensing of molecular interactions by surface plasmon resonance: A laboratory medicine perspective. The Clinical Biochemist. Reviews. 33 (4), 161-173 (2012).
- Jacob, N. T., et al. Synthetic molecules for disruption of the MYC protein-protein interface. Bioorganic & Medicinal Chemistry. 26 (14), 4234-4239 (2018).
