新闻详情

新闻详情

首页 / 资讯中心 / 详情

(Casein Kinase-2 substrate) ;RRREETEEE

发布时间:2026/11/17 15:40:01来源:尧图网络
(Casein Kinase-2 substrate) ;RRREETEEE
基本信息中文名称酪蛋白激酶 2 底物精 - 精 - 谷 - 谷 - 谷 - 苏 - 谷 - 谷 - 谷三字母序列Arg-Arg-Glu-Glu-Glu-Thr-Glu-Glu-Glu单字母序列RRREETEEE分子式C46H75N15O23分子量1206.19结构特征九肽线性多肽无 N 端乙酰化、C 端酰胺化修饰无 D 型氨基酸不含半胱氨酸残基无巯基、二硫键无荧光、生物素标记。氨基酸依次为 Arg、Arg、Glu、Glu、Glu、Thr、Glu、Glu、Glu。磷酸化位点第 6 位 Thr是 CK2Casein Kinase 2酪蛋白激酶 2识别催化的苏氨酸残基Thr 侧链羟基接受 ATP 的 γ 磷酸基团。结构式基本性质经典 CK2 体外多肽底物。序列富含酸性谷氨酸残基N 端带两个碱性精氨酸整体净电荷偏负水溶性优异易溶于水、中性缓冲溶液难溶于纯有机溶剂。分子不含 Cys不存在巯基氧化、二聚风险氧化稳定性优于含半胱氨酸多肽。粉末具备吸湿性水溶液可被肽酶缓慢水解高温、强碱性条件会加速肽键断裂。理论等电点偏酸性。作用机理CK2 是一种保守的丝氨酸 / 苏氨酸蛋白激酶广泛存在于真核细胞组成型激活不依赖第二信使激活这点和 PKA、PKG 有明显区别。CK2 识别底物的特征偏好磷酸化位点残基的C 端侧紧邻酸性氨基酸Asp/Glu这也是该底物设计的核心原理。 本底物 RRREETEEEThr 位点的下游连续多个 Glu 残基完美匹配 CK2 的底物结合口袋偏好。CK2 催化 ATP 上磷酸基团转移至 Thr 侧羟基生成磷酸化多肽。磷酸化后分子负电荷进一步增加。可采用 ³²P 同位素掺入、HPLC、毛细管电泳、质谱或者磷酸特异性检测手段定量磷酸产物。应用领域科研工具肽仅限体外生化实验不可用于人体给药或临床诊断。CK2 体外酶活测定重组酪蛋白激酶 2 活性定量是文献里高频使用的标准底物肽。CK2 抑制剂高通量筛选评估小分子化合物对 CK2 催化活性的抑制效果计算 IC50、Ki 等抑制参数。酶动力学参数测定测定 Km、kcat研究 CK2 的底物识别、结合口袋的氨基酸偏好。激酶选择性评估与 PKA、PKG、PKC 等其他激酶底物平行对照用来评估抑制剂对 CK2 的选择性。LC-MS 方法开发作为标准底物建立磷酸化多肽的质谱检测方法。药物研发CK2 参与细胞增殖、DNA 修复、凋亡调控、炎症和肿瘤信号通路在多种肿瘤中高表达是抗肿瘤、抗炎的热门靶点。 该多肽本身不是药物仅作为生化筛选工具。利用该底物建立体外生化筛选体系寻找 CK2 小分子抑制剂。多个 CK2 抑制剂已经进入临床前和早期临床研究用于肿瘤相关研究。多肽本身极性强细胞膜穿透能力弱体内易被肽酶快速降解不适合直接作为治疗药物。研究进展RRREETEEE 是人工设计的优化 CK2 底物基于天然 CK2 底物的保守酸性基序改造而来。构效关系研究证实Thr 羧基侧连续多个 Glu 是高亲和力识别关键如果把 Thr 突变成 Ala激酶完全不能磷酸化减少 Thr 下游 Glu 的数量催化效率显著下降。该底物常和 CK2 的 Ser 型底物做对比用来研究 CK2 对 Ser/Thr 残基的底物偏好差异。CK2 的独特酸性残基识别规则也是激酶研究里经典例子。储存规范粉末-20℃密封干燥避光保存尽量减少反复开盖防止吸潮。溶液现配现用用中性缓冲液配制分装成单次使用小份-20℃冻存避免多次冻融。不要长时间室温放置避开强碱环境防止肽键水解。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/17 7:04:08

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/17 5:42:44

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/16 19:23:38

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/17 6:55:04

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/17 5:57:47

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/16 17:28:18

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉