Quantitative Analysis of Proteome Coverage and Recovery Rates for Upstream Fractionation Methods in Proteomics
Notice bibliographique
Résumé
The proteome of any cell or even any subcellular fraction remains too complex for complete analysis by one dimension of liquid chromatography-tandem mass spectrometry (LC-MS/MS). Hence, to achieve greater depth of coverage for a proteome of interest, most groups routinely subfractionate the sample prior to LC-MS/MS so that the material entering LC-MS/MS is less complex than the original sample. Protein and/or peptide fractionation methods that biochemists have used for decades, such as strong cation exchange chromatography (SCX), isoelectric focusing (IEF) and SDS-PAGE, are the most common prefractionation methods used currently. There has, as yet, been no comprehensive, controlled evaluation of the relative merits of the various methods, although some binary comparisons have been made. Here, we compare the most popular methods for fractionating samples at both the protein and peptide level, replicating all analyses to provide estimates of the variability in the analyses and controlling precisely for instrument time dedicated to each analysis, as well as directly measuring the recovery of protein or peptide from each fractionation procedure. For maximal proteome coverage, SDS-PAGE is very clearly the most effective method tested, with more than 90% of the entire data set found. When considering the amount of material recovered after each fractionation procedure, solution-based IEF and SCX performed similarly, with approximately 80% of the input being recovered.
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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,000 | 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 ».