HFIP Extraction Followed by 2D CTAB/SDS-PAGE Separation: A New Methodology for Protein Identification from Tissue Sections after MALDI Mass Spectrometry Profiling for Personalized Medicine Research
Notice bibliographique
Résumé
Matrix-assisted laser desorption ionization mass spectrometry imaging (MALDI-MSI) and profiling technology have become the easiest methods for quickly accessing the protein composition of a tissue area. Unfortunately, the demand for the identification of these proteins remains unmet. To overcome this bottleneck, we combined several strategies to identify the proteins detected via MALDI profiling including on-tissue protein extraction using hexafluoroIsopropanol (1,1,1,3,3,3-hexafluoro-2-propanol, HFIP) coupled with two-dimensional cetyl trimethylammonium bromide/sodium dodecyl sulfate-polyacrylamide gel electrophoresis (2D CTAB/SDS-PAGE) for separation followed by trypsin digestion and MALDI-MS analyses for identification. This strategy was compared with an on-tissue bottom-up strategy that we previously developed. The data reflect the complementarity of the approaches. An increase in the number of specific proteins identified has been established. This approach demonstrates the potential of adapted extraction procedures and the combination of parallel identification approaches for personalized medicine applications. The anatomical context provides important insight into identifying biomarkers and may be considered a first step for tissue-based biomarker research, as well as the extemporaneous examination of biopsies during surgery.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».