A proteomic approach combining MS and bioinformatic analysis for the detection and identification of biomarkers of administration of exogenous human growth hormone in humans
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
An integrated MS-based proteomic approach is described that combines MALDI-MS and LC-MS with artificial neural networks for the identification of protein and peptide biomarkers associated with recombinant human growth hormone (rhGH) administration. Serum from exercised males administered with rhGH or placebo was analysed using ELISA to determine insulin-like growth factor-I concentrations. Diluted serum from rhGH- and placebo-treated subjects was analysed for protein biomarkers by MALDI-MS, whereas LC-MS was used to analyse tryptically digested ACN-depleted serum extracts for peptide biomarkers. Ion intensities and m/z values were used as inputs to artificial neural networks to classify samples into rhGH- and placebo-treated groups. Six protein ions (MALDI-MS) correctly classified 96% of samples into their respective groups, with a sensitivity of 91% (20 of 22 rhGH treated) and specificity of 100% (24 of 24 controls). Six peptide ions (LC-MS) were also identified and correctly classified 93% of samples with a sensitivity of 90% (19 of 21 rhGH treated) and a specificity of 95% (20 of 21 controls). The peptide biomarker ion with the highest significance was sequenced using LC-MS/MS and database searching and found to be associated with leucine-rich α-2-glycoprotein.
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.
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) | 0,001 | 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 | 0,000 |
| 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 découle