SPR-MS: from identifying adsorbed molecules to image tissues
Notice bibliographique
Résumé
Surface plasmon resonance (SPR) sensors have become valuable analytical sensors for biomolecule detection. While SPR is heralded with high sensitivity, label-free and real-time detection, nonspecific adsorption and detection of ultralow concentrations remain issues. Nonspecific adsorption can be minimized using adequate surface chemistry. For example, we have employed peptide monolayers to reduce nonspecific adsorption of crude serum or cell lysate. It is important to uncover the nature of molecules nonspecifically adsorbing to surfaces in these biofluids, to further improve understanding of the nonspecific adsorption processes. Mass spectrometry (MS) provides a complementary tool to SPR to identify biomolecule adsorbed to surface. Trypsic digestion of the proteins adsorbed to surfaces led to identification of characteristic peptides from the proteins involved in nonspecific adsorption. Nonspecific adsorption in crude cell lysate results mainly from lipids, as confirmed with SPR and MS but proteins were observed on some surfaces. In another application of SPR and MS, imaging SPR can be used in combination to imaging MS to image tissue sections. Thin sections of mouse liver were inserted in the fluidic chamber of a SPRi instrument and proteins were transferred to the SPRi chip. The SPR chip was then imaged using MALDI imaging MS to identify the biomolecules that were transferred to the SPRi chip.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,007 |
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 source (Gemma direct ou Codex distillé), 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 ».