Multivariate analysis of single quadrupole LC‐MS spectra for routine characterization and quantification of intact proteins
Notice bibliographique
Résumé
Modern high-throughput proteomic platforms allow incomparable protein mixture resolution and identification. However, such sophisticated facilities are expensive and not always accessible for routine analysis of simple mixtures. In this paper, we propose a simple methodology, based on detection of intact, nondigested proteins by LC coupled to single quadrupole MS (sqLC-MS), followed by the analysis of the resulting spectra by multivariate analysis (MA). By doing so, even large molecular weight (MW) proteins, generating complex spectra, can be characterized to a level that allows isoform discrimination, while standard algorithms, such as MS spectrum deconvolution, cannot. To demonstrate the effectiveness of the proposed approach, we have analyzed the spectra of a set of purified, intact albumins from seven different organisms (bovine, human, rabbit, rat, sheep, mouse, and pig) as a model of microheterogenous proteins, using Projection to Latent Structure Discriminant Analysis (PLS-DA). Although these proteins are very similar (less than 1% difference in MW), sqLC-MS/MA allowed their classification, and the identification of unknown source samples. In addition, MA allowed precise protein quantification from the same data (calibration curve R2 = 0.9966). The ability to rapidly characterize and quantify proteins, together with simplicity and affordability, could make of combined sqLC-MS/MA a routine method for the characterization of simple mixture of known 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 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 | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».