Coomassie Blue as a Near-infrared Fluorescent Stain: A Systematic Comparison With Sypro Ruby for In-gel Protein Detection
Notice bibliographique
Résumé
Quantitative proteome analyses suggest that the well-established stain colloidal Coomassie Blue, when used as an infrared dye, may provide sensitive, post-electrophoretic in-gel protein detection that can rival even Sypro Ruby. Considering the central role of two-dimensional gel electrophoresis in top-down proteomic analyses, a more cost effective alternative such as Coomassie Blue could prove an important tool in ongoing refinements of this important analytical technique. To date, no systematic characterization of Coomassie Blue infrared fluorescence detection relative to detection with SR has been reported. Here, seven commercial Coomassie stain reagents and seven stain formulations described in the literature were systematically compared. The selectivity, threshold sensitivity, inter-protein variability, and linear-dynamic range of Coomassie Blue infrared fluorescence detection were assessed in parallel with Sypro Ruby. Notably, several of the Coomassie stain formulations provided infrared fluorescence detection sensitivity to <1 ng of protein in-gel, slightly exceeding the performance of Sypro Ruby. The linear dynamic range of Coomassie Blue infrared fluorescence detection was found to significantly exceed that of Sypro Ruby. However, in two-dimensional gel analyses, because of a blunted fluorescence response, Sypro Ruby was able to detect a few additional protein spots, amounting to 0.6% of the detected proteome. Thus, although both detection methods have their advantages and disadvantages, differences between the two appear to be small. Coomassie Blue infrared fluorescence detection is thus a viable alternative for gel-based proteomics, offering detection comparable to Sypro Ruby, and more reliable quantitative assessments, but at a fraction of the cost.
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) | 0,001 | 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 ».