Evaluation of Data-Dependent versus Targeted Shotgun Proteomic Approaches for Monitoring Transcription Factor Expression in Breast Cancer
Notice bibliographique
Résumé
In breast cancer, there is a significant degree of molecular diversity among tumors. Multiple perturbations in signal transduction pathways impinge on transcriptional networks that in turn dictate malignant transformation and metastatic progression. Detailed knowledge of the sequence-specific transcription factors that become activated or repressed within a tumor and comparison of their relative levels of expression in cancer versus normal tissue should therefore provide insight into disease mechanisms, improving patient stratification and facilitating personalized treatment. While high-throughput tandem mass spectrometry methods for global proteome profiling have been developed, existing approaches have limited sensitivity and are often unable to detect low-abundance transcription factors in a complex biological specimen like a biopsy or tumor cell extract. To this end, we have undertaken a systematic comparative evaluation of three MS/MS methods for the ability to detect reference transcription factors spiked in known amounts into a cell-free breast cancer nuclear extract: Data-Dependent Acquisition (DDA), wherein precursor ion intensity dictates selection for fragmentation; Targeted Peptide Monitoring (TPM), a directed approach using successive isolation and fragmentation of predefined m/ z ratios; and Multiple Reaction Monitoring (MRM), in which specific precursor ion to product ion transitions are selectively monitored. Through a series of controlled, parallel benchmarking experiments, we have determined the relative figures-of-merit of each approach, and have established that prior knowledge of signature proteotypic peptides markedly improves overall detection sensitivity, reliability, and quantification.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».