In-Depth Proteomics of Ovarian Cancer Ascites: Combining Shotgun Proteomics and Selected Reaction Monitoring Mass Spectrometry
Notice bibliographique
Résumé
Epithelial ovarian cancer (EOC) is the most common gynecological cancer and the ninth most common cancer overall. Major problems associated with EOC include poorly characterized disease progression, disease heterogeneity, lack of early detection markers and the development of chemoresistance. Early detection and treatment of EOC would significantly benefit from routine screening tests on available biofluids. We built on our experience in analyzing ovarian cancer ascites and present an analysis pipeline that combines discovery-based proteomics, bioinformatics prioritization and targeted proteomics quantification using Selected Reaction Monitoring Mass Spectrometry (SRM-MS). Ascitic fluids from patients with serous-type epithelial ovarian cancer were analyzed using comprehensive shotgun proteomics and compared to noncancerous ascitic fluids from patients with benign ovarian tumors. Integration of our data with published mRNA transcriptomic and proteomic data sets led to a panel of 51 candidate proteins. Systematic SRM-MS assay development was performed for a subset of these proteins using both synthetic peptides (13 proteins) and stable isotope labeled standards (4 proteins). Subsequently, precise relative quantification by stable isotope dilution-SRM (SID-SRM) in independent ascites and serum samples was performed as a proof-of-concept validation. The analysis strategy outlined here lays the foundation for future experiments using both larger numbers of patient samples and additional candidate proteins, and provides a template for the proteomics-based discovery of cancer biomarkers.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 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 ».