Large-Scale Characterization and Analysis of the Murine Cardiac Proteome
Notice bibliographique
Résumé
Recent advances in mass spectrometry and bioinformatics have provided the means to characterize complex protein landscapes from a wide variety of organisms and cell types. Development of standard proteomes exhibiting all of the proteins involved in normal physiology will facilitate the delineation of disease mechanisms. Here, we examine the wild-type cardiac proteome using data obtained from a subcellular fractionation protocol in combination with a multidimensional protein identification proteomics approach. We identified 4906 proteins which were allocated to either cytosolic, microsomal, mitochondrial matrix or mitochondrial membrane fractions with relative abundance values in each fraction. We subjected these proteins to hierarchical clustering, gene ontology terms analysis, immunoblotting, comparison to publicly available protein databases, comparison to 4 distinct cardiac transcriptomes, and finally, to 6 other related proteomic data sets. This study provides an exhaustive analysis of the cardiac proteome and is the first large-scale investigation of the subcellular location for over 2000 unannotated proteins. With the use of a subtractive transcriptomics approach, we have also extended our analysis to identify 'cardiac selective' factors in our proteome. Finally, using specific filtering criteria, we identified proteotypic peptides for subsequent use in targeted studies of both mouse and human. Therefore, we offer this as a major contribution to the advancement of the field of proteomics in cardiovascular research.
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 | 0,000 | 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 | 0,001 |
| 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 ».