Quantitative analysis of low‐abundance peptides in HeLa cell cytoplasm by targeted liquid chromatography/mass spectrometry and stable isotope dilution: emphasising the distinction between peptide detection and peptide identification
Notice bibliographique
Résumé
We present the application of a targeted liquid chromatography/mass spectrometry (LC/MS) approach developed on a linear ion trap for the evaluation of the abundance of cytoplasmic proteins from a HeLa cell extract. Using a standard data-dependent approach, we identified some specific peptides from this extract which were also commercially available in their AQUA form (use for absolute quantitation). For some of the peptides, we observed a non-linear response between the intensity and the added quantity which was then fitted using a quadratic fit. All AQUA peptides spiked into a mix of 3 microg of the HeLa cell digest extract were detected down to 16 fmol. We placed an emphasis on peptide detection which, in this study, is performed using a combination of properties such as three specific Q3-like ion signatures (for a given Q1-like selection) and co-elution with the AQUA peptide counterparts. Detecting a peptide without necessarily identifying it using a search engine imposes less constraint in terms of tandem mass (MS/MS) spectra purity. An example is shown where a peptide is detected using those criteria but could not be identified by Mascot due to its lower abundance. To complement this observation, we used a cross-correlation analysis approach in order to separate two populations of MS/MS fragments based on differences in their elution patterns. Such an approach opens the door to new strategies to analyse lower intensity peptide fragments. An in silico analysis of the human trypsinosome allows the evaluation of how unique are the sets of features that we are using for peptide detection.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».