Peptide Separations by On-Line MudPIT Compared to Isoelectric Focusing in an Off-Gel Format: Application to a Membrane-Enriched Fraction from C2C12 Mouse Skeletal Muscle Cells
Notice bibliographique
Résumé
High-resolution peptide separation is pivotal for successful shotgun proteomics. The need for capable techniques propels invention and improvement of ever more sophisticated approaches. Recently, Agilent Technologies has introduced the OFFGEL fractionator, which conducts peptide separation by isoelectric focusing in an off-gel setup. This platform has been shown to accomplish high resolution of peptides for diverse sample types, yielding valuable advantages over comparable separation techniques. In this study, we deliver the first comparison of the newly emerging OFFGEL approach to the well-established on-line MudPIT platform. Samples from a membrane-enriched fraction isolated from murine C2C12 cells were subjected to replicate analysis by OFFGEL (12 fractions, pH 3-10) followed by RP-LC-MS/MS or 12-step on-line MudPIT. OFFGEL analyses yielded 1398 proteins (identified by 10,269 peptides), while 1428 proteins (11,078 peptides) were detected with the MudPIT approach. Thus, our data shows that both platforms produce highly comparable results in terms of protein/peptide identifications and reproducibility for the sample type analyzed. We achieve more accurate peptide focusing after OFFGEL fractionation with 88% of all peptides binned to a single fraction, as compared to 61% of peptides detected in only one step in MudPIT analyses. Our study suggests that both platforms are equally capable of high quality peptide separation of a sample with medium complexity, rendering them comparably valuable for comprehensive proteomic analyses.
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 | 0,001 | 0,001 |
| 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 ».