MARC

 008260126s2025        us                              c    eng  d
■001000017360692
■00520260202105606
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265426222
■035    ▼a(MiAaPQ)AAI32316346
■035    ▼a(MiAaPQ)Stanfordpk059vd0406
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a576.5
■1001  ▼aWolfsberg,  Eric.
■24510▼aComputationally-Guided  Engineering  of  Synthetic  Biology  Proteins  for  Function  and  Non-Immunogenicity
■260    ▼a[Sl]▼bStanford  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a67  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Gao,  Xiaojing.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2025.
■520    ▼aCell  and  gene  therapies  rely  on  the  expression  of  proteins  with  functions  distinct  from  those  natively  produced  by  the  body,  typically  using  ones  from  nonhuman  organisms.  Due  to  the  immunogenicity  of  such  proteins,  however,  a  trend  has  emerged  toward  deriving  novel  protein  function  from  mutated  variants  of  human  proteins  or  fusions  of  human  protein  domains.  However,  these  modifications  create  nonhuman  peptides  at  mutated  residues  and  interdomain  junctions,  which  still  pose  a  risk  of  immunogenicity  that  has  largely  been  left  unaddressed.  In  this  thesis,  I  present  a  modular  workflow  for  the  deimmunization  of  human-derived  therapeutic  proteins  while  maintaining  their  function  using  existing  machine  learning-based  predictors  of  protein  function  and  nonhuman  peptide  immunogenicity.  I  then  demonstrate  this  workflow's  application  to  various  protein  types  relevant  to  synthetic  biology,  including  transcriptional  activation  domains,  RNA-binding  domains,  and  DNA-binding  domains.  In  particular,  I  demonstrate  a  method  for  generating  zinc  finger  arrays  derived  from  human  proteins  to  target  arbitrary  genomic  sequences  and  increase  the  transcription  of  endogenous  genes.  Overall,  I  propose  and  explore  a  method  for  generating  safer  and  more  efficacious  therapeutic  proteins  for  cell  and  gene  therapy  which  can  be  readily  adapted  as  more  effective  underlying  algorithms  are  developed.
■590    ▼aSchool  code:  0212.
■650  4▼aMutation
■650  4▼aAmino  acids
■650  4▼aScientific  imaging
■650  4▼aAdaptive  immunity
■650  4▼aMutagenesis
■650  4▼aT  cell  receptors
■650  4▼aPatients
■650  4▼aPlasmids
■650  4▼aMass  spectrometry
■650  4▼aSynthetic  biology
■650  4▼aImmune  system
■650  4▼aImmune  response
■650  4▼aLymphocytes
■650  4▼aEngineering
■650  4▼aAntigens
■650  4▼aTranscription  factors
■650  4▼aAnalytical  chemistry
■650  4▼aGenetics
■650  4▼aImmunology
■650  4▼aBiology
■690    ▼a0537
■690    ▼a0486
■690    ▼a0369
■690    ▼a0982
■690    ▼a0306
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360692▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서