Combinatorial Peptide Libraries Facilitate Development of Multiple Reaction Monitoring Assays for Low-Abundance Proteins
Notice bibliographique
Résumé
Low-abundance proteins present in biological fluids are often considered an attractive source of new disease biomarkers. Since such proteins are poorly observed in proteome-scale discovery experiments due to an overwhelming mass of high-abundance proteins, the development of quantitative multiple reaction monitoring (MRM) assays for low-abundance proteins is a challenging task. Here, we present a strategy that facilitates the development of MRM assays for large numbers of unpurified low-abundance proteins. Our discovery strategy is based on the reduction of the dynamic range of protein concentrations in biological fluids by means of one-bead one-compound combinatorial peptide libraries (CPL). Our 2D-LC-MS/MS approach allowed us to identify a total of 484 unique proteins in ovarian cancer ascites, and 216 proteins were assigned as low-abundance ones. Interestingly, 74 of those proteins have never been previously described in ascites fluid. Treatment with CPL allowed identification of a significantly higher number of unique peptides for low-abundance proteins and provided important empirical fragmentation information for development of MRM assays. Finally, we confirmed that MRM assays worked for 30 low-abundance proteins in the unfractionated ascites digest. Using a multiplexed MRM method, relative amounts of five proteins (kallikrein 6, metalloproteinase inhibitor 1, macrophage migration inhibitory factor, follistatin-related protein, and mesothelin) were determined in a set of ovarian cancer ascites. Multiplexed MRM assays targeting large numbers of proteins can be used to develop comprehensive panels of biomarkers with high sensitivity and selectivity, and to study complex protein networks.
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 | 0,002 | 0,001 |
| 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) | 0,000 | 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 ».