High‐throughput lectin magnetic bead array‐coupled tandem mass spectrometry for glycoprotein biomarker discovery
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
Alterations in protein glycosylation occur during development and progression of many diseases, hence glycomics and glycoproteomics have emerged as important tools in glycobiomarker discovery. High-throughput glycan profiling can now be achieved with the recent developments in MS-based techniques. To enable identification and rapid monitoring of glycosylation changes in serum proteins, we developed a semi-automated high-throughput glycoprotein biomarker discovery platform termed lectin magnetic bead array-coupled tandem mass spectrometry (LeMBA-MS) which includes (i) effective single-step serum glycoprotein isolation using a panel of 20 individual lectin-coated magnetic beads in microplate format, (ii) on-bead trypsin digestion, and (iii) nanoLC-MS/MS with lectin exclusion list. With use of appropriate sequence databases, LeMBA-MS can detect glycosylation changes regardless of the species. By spiking known amounts of titrated ovalbumin to a serum sample, we report nanomolar sensitivity, and linearity of response of LeMBA-MS using concanavalin A-coupled beads. Neuraminidase treatment led to reduction of binding to sialic acid-binding lectins. Interestingly, we found that desialylation caused increased binding of haptoglobin and hemopexin to mannose-specific lectins, pointing to the importance of identifying a signature of lectin-binding. High-throughput LeMBA-MS to generate glycosylation signatures will facilitate glycobiomarker discovery. LeMBA can be coupled to down-stream detection platforms for validation, making it a truly versatile platform.
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 | 0,000 | 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) | 0,001 | 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