Improved Peptide Identification by Targeted Fragmentation Using CID, HCD and ETD on an LTQ-Orbitrap Velos
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Over the past decade peptide sequencing by collision induced dissociation (CID) has become the method of choice in mass spectrometry-based proteomics. The development of alternative fragmentation techniques such as electron transfer dissociation (ETD) has extended the possibilities within tandem mass spectrometry. Recent advances in instrumentation allow peptide fragment ions to be detected with high speed and sensitivity (e.g., in a 2D or 3D ion trap) or at high resolution and high mass accuracy (e.g., an Orbitrap or a ToF). Here, we describe a comprehensive experimental comparison of using ETD, ion-trap CID, and beam type CID (HCD) in combination with either linear ion trap or Orbitrap readout for the large-scale analysis of tryptic peptides. We investigate which combination of fragmentation technique and mass analyzer provides the best performance for the analysis of distinct peptide populations such as N-acetylated, phosphorylated, and tryptic peptides with up to two missed cleavages. We found that HCD provides more peptide identifications than CID and ETD for doubly charged peptides. In terms of Mascot score, ETD FT outperforms the other techniques for peptides with charge states higher than 2. Our data shows that there is a trade-off between spectral quality and speed when using the Orbitrap for fragment ion detection. We conclude that a decision-tree regulated combination of higher-energy collisional dissociation (HCD) and ETD can improve the average Mascot score.
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.
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 | 0,001 | 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 | 0,000 |
| 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 découle