A proteomic approach combining MS and bioinformatic analysis for the detection and identification of biomarkers of administration of exogenous human growth hormone in humans
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.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 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 ».