MétaCan
Menu
Retour à la cohorte
Enregistrement W2294209416 · doi:10.1021/acs.analchem.5b04508

Supramolecular Affinity Chromatography for Methylation-Targeted Proteomics

2016· article· en· W2294209416 sur OpenAlexafffund
Graham A. E. Garnett, Melissa J. Starke, Alok Shaurya, Janessa Li, Fraser Hof

Notice bibliographique

RevueAnalytical Chemistry · 2016
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueCancer-related gene regulation
Établissements canadiensUniversity of Victoria
Organismes subventionnairesGenome British ColumbiaNatural Sciences and Engineering Research Council of CanadaCanada Research ChairsGovernment of CanadaUniversity of Victoria
Mots-clésChemistryProteomicsAffinity chromatographyProteomeChromatographyContext (archaeology)Mass spectrometrySupramolecular chemistryMethylationComputational biologyCombinatorial chemistryBiochemistryOrganic chemistryMoleculeDNA

Résumé

récupéré en direct d'OpenAlex

Proteome-wide studies of post-translationally methylated species using mass spectrometry are complicated by high sample diversity, competition for ionization among peptides, and mass redundancies. Antibody-based enrichment has powered methylation proteomics until now, but the reliability, pan-specificity, polyclonal nature, and stability of the available pan-specific antibodies are problematic and do not provide a standard, reliable platform for investigators. We have invented an anionic supramolecular host that can form host-guest complexes selectively with methyllysine-containing peptides and used it to create a methylysine-affinity column. The column resolves peptides on the basis of methylation-a feat impossible with a comparable commercial cation-exchange column. A proteolyzed nuclear extract was separated on the methyl-affinity column prior to standard proteomics analysis. This experiment demonstrates that such chemical methyl-affinity columns are capable of enriching and improving the analysis of methyllysine residues from complex protein mixtures. We discuss the importance of this advance in the context of biomolecule-driven enrichment methods.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,064
Score d'incertitude au seuil0,585

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,252
Écart entre enseignants0,243 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations23
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAnalytical ChemistryMême sujetCancer-related gene regulationTravaux en français237 207