Detection and Identification of Sub-nanogram Levels of Protein in a NanoLC-Trypsin-MS System
Notice bibliographique
Résumé
Proteomic workflows involving liquid-based protein separations are an alternative to gel-based protein analysis, however the trypsin digestion procedure is usually difficult to implement, particularly when processing low abundance proteins from capillary column effluent. To convert the protein to peptides for the purpose of identification, current protocols require several sample handling steps, and sample losses become an issue. In this study, we present an improved system that conducts reversed-phase protein chromatography and rapid on-line tryptic digestion requiring sub-nanogram quantities of protein. This system employs a novel mirror-gradient concept that allows for dynamic titration of the column effluent to create optimal conditions for real-time tryptic digestion. The purpose behind this development was to improve the limits of detection of the online concept, to support flow-based alternatives to gel-based proteomics and to simplify the characterization of low abundance proteins. Using test mixtures of proteins, we show that peptide mass fingerprinting with high sequence representation can be easily achieved at the 20 fmol level, with detection limits down to 5 fmol (85 pg myoglobin). Limits of identification using standard data-dependent MS/MS experiments are as low as 10 fmol. These results suggest that the nanoLC-trypsin-MS/MS system could represent an alternative to the conventional "1D-gel to MS" proteomic strategy.
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 | 0,000 |
| 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 | 0,000 |
| 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 ».