On-line strong cation exchange μ-HPLC-ESI-MS/MS for protein identification and process optimization
Notice bibliographique
Résumé
We have developed an on-line strong cation exchange (SCX)-ESI-MS/MS platform for the rapid identification of proteins contained in mixtures. This platform consists of a SCX precolumn followed by a nanoflow SCX column on-line with an electrospray ion trap mass spectrometer. We also used this platform to study the dynamics of peptide separation/extraction by SCX, in particular to understand the parameters affecting the performance of SCX in multidimensional chromatography. For example, we have demonstrated that the buffer typically used for tryptic digestion of protein mixtures can have a detrimental effect on the chromatographic behaviour of peptides during SCX separations, thereby affecting certain peptide quantitation approaches that rely on reproducible peptide fractionation. We have also demonstrated that band broadening results when a step (discontinuous) gradient approach is used to displace peptides from the SCX precolumn, reducing the separation power of SCX in multidimensional chromatography. In contrast, excellent chromatographic peak shapes are observed when a defined (continuous) gradient is used. Finally, using a tryptic digest of a protein extract derived from human K562 cells, we observed that larger molecular weight peptides are identified using this on-line SCX approach compared to the more conventional reverse phase (RP) LC/MS approach. Both methods used in tandem complement each other and can lead to a greater number of peptide identifications from a given sample.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 ».