Top-Down and Bottom-Up Proteomics of SDS-Containing Solutions Following Mass-Based Separation
Notice bibliographique
Résumé
SDS has recognized benefits for protein sample preparation, including solubilization and imparting molecular weight separation (e.g., SDS-PAGE). Here, we compare two proteome workflows which incorporate SDS for protein separation, namely, SDS-PAGE coupled to LC/MS (GeLC MS), along with a solution separation platform, GELFrEE, for intact proteome prefractionation and identification. Despite the clear importance of SDS in these and other proteome analysis workflows, the affect of SDS on an LC/MS proteome experiment has not been quantified. We first examined the influence of SDS on both a bottom-up as well as a top-down (intact protein) MS workflow. Surprisingly, at levels up to 0.01% SDS in the injected sample, reliable MS characterization is obtained. We subsequently explored organic precipitation protocols (chloroform/methanol/water and acetone) as a means of lowering SDS, and present a simple modified acetone precipitation protocol which consistently enables MS proteome characterizations from samples initially containing 2% SDS. With this effective strategy for SDS reduction, the GELFrEE MS workflow for bottom-up proteome analysis was characterized relative to GeLC MS. Remarkable agreement in the number and type of identified proteins was obtained from these two separation platforms, validating the use of SDS in solution-phase 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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».