Liquid Chromatography MALDI MS/MS for Membrane Proteome Analysis
Notice bibliographique
Résumé
Membrane proteins play critical roles in many biological functions and are often the molecular targets for drug discovery. However, their analysis presents a special challenge largely due to their highly hydrophobic nature. We present a surfactant-aided shotgun proteomics approach for membrane proteome analysis. In this approach, membrane proteins were solubilized and digested in the presence of SDS followed by newly developed auto-offline liquid chromatography/matrix-assisted laser desorption ionization (LC/MALDI) tandem MS analysis. Because of high tolerance of MALDI to SDS, one-dimensional (1D) LC separation can be combined with MALDI for direct analysis of protein digests containing SDS, without the need for extensive sample cleanup. In addition, the heated droplet interface used in LC/MALDI can work with high flow LC separations, allowing a relatively large amount of protein digest to be used for 1D LC/MALDI which facilitates the detection of low abundance proteins. The proteome identification results obtained by LC/MALDI are compared to the gel electrophoresis/MS method as well as the shotgun proteomics method using 2D LC/electrospray ionization MS. It is demonstrated that, while LC/MALDI provides more extensive proteome coverage compared to the other two methods, these three methods are complementary to each other and a combination of these methods should provide a more comprehensive membrane proteome analysis.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,013 |
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 source (Gemma direct ou Codex distillé), 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 ».