Identification of Arsenic-Binding Proteins in Human Cells by Affinity Chromatography and Mass Spectrometry
Notice bibliographique
Résumé
Exposure to high levels of arsenic can cause a wide range of health effects, including cancers of the bladder, lung, skin, and kidney. However, the mechanism(s) of action underlying these deleterious effects of arsenic remains unclear. Arsenic binding to cellular proteins is a possible mechanism of toxicity, and identifying such binding is analytically challenging because of the large concentration range and variety of proteins. We describe here an affinity selection technique, coupled with mass spectrometry, to select and identify specific arsenic-binding proteins from a large pool of cellular proteins. Controlled experiments using proteins either containing free cysteine(s) or having cysteine blocked showed that the arsenic affinity column specifically captured the proteins containing free cysteine(s) available to bind to arsenic. The technique was able to capture and identify trace amounts of bovine biliverdin reductase B present as a minor impurity in the commercial preparation of carbonic anhydrase II, demonstrating the ability to identify arsenic-binding proteins in the presence of a large excess of non-specific proteins. Application of the technique to the analysis of subcellular fractions of A549 human lung carcinoma cells identified 50 proteins in the nuclear fraction, and 24 proteins in the membrane/organelle fraction that could bind to arsenic, adding to the current list of only a few known arsenic-binding proteins.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
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 ».