Combination of online enzyme digestion with stable isotope labeling for high‐throughput quantitative proteome analysis
Notice bibliographique
Résumé
Various enzyme reactors and online enzyme digestion strategies have been developed in recent years. These reactors greatly enhanced the detection sensitivity and proteome coverage in qualitative proteomics. However, these devices have higher rates of miscleavage in protein digestion. Therefore, we investigated the effect of online enzyme digestion on the quantification accuracy of quantitative proteomics using chemical or metabolic isotope labeling approaches. The incomplete digestion would introduce some unexpected variations in comparative quantification when the samples are digested and then chemically isotope labeled in different aliquots. Even when identical protein aliquots are processed on these devices using post-digestion chemical isotope labeling and the CVs of the ratios controlled to less than 50% in replicate analyses, about 10% of the quantified proteins have a ratio greater than two-fold, whereas in theory the ratio is 1:1. Interestingly, the incomplete digestion with enzyme reactor is not a problem when metabolic isotope labeling samples were processed because the proteins are isotopically labeled in vivo prior to their simultaneous digestion within the reactor. Our results also demonstrated that both high quantification accuracy and high proteome coverage can be achieved in comparative proteome quantification using online enzyme digestion even when a limited amount of metabolic isotope labeling samples is used (1683 proteins comparatively quantified from 10(5) Hela cells).
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 ».