Non-Biased Enrichment Does Not Improve Quantitative Proteomic Delineation of Reovirus T3D-Infected HeLa Cell Protein Alterations
Notice bibliographique
Résumé
Mass spectrometry-based methods have allowed elucidation of alterations in complex proteomes, such as eukaryotic cells. Such studies have identified and measured relative abundances of thousands of host proteins after cells are infected with a virus. One of the potential limitations in such studies is that generally only the most abundant proteins are identified, leaving the deep richness of the cellular proteome largely unexplored. We differentially labeled HeLa cells with light and heavy stable isotopic forms of lysine and arginine and infected cells with reovirus strain T3D. Cells were harvested at 24 h post-infection. Heavy-labeled infected and light-labeled mock-infected cells were mixed together 1:1. Cells were then divided into cytosol and nuclear fractions and each fraction analyzed, both by standard 2D-HPLC/MS, and also after each fraction had been reacted with a random hexapeptide library (Proteominer(®) beads) to attempt to enrich for low-abundance cellular proteins. A total of 2,736 proteins were identified by two or more peptides at >99% confidence, of which 66 were significantly up-regulated and 67 were significantly down-regulated. Up-regulated proteins included those involved in antimicrobial and antiviral responses, GTPase activity, nucleotide binding, interferon signaling, and enzymes associated with energy generation. Down-regulated proteins included those involved in cell and biological adhesion, regulation of cell proliferation, structural molecule activity, and numerous molecular binding activities. Comparisons of the r(2) correlations, degree of dataset overlap, and numbers of peptides detected suggest that non-biased enrichment approaches may not provide additional data to allow deeper quantitative and comparative mining of complex proteomes.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».