Detergent-Assisted Glycoprotein Capture: A Versatile Tool for In-Depth N-Glycoproteome Analysis
Notice bibliographique
Résumé
Large-scale N-glycoproteome studies have been hindered by poor solubility of hydrophobic membrane proteins and the complexity of proteome samples. Herein, we developed a detergent-assisted glycoprotein capture method to reduce these issues by conducting hydrazide chemistry-based glycoprotein capture in the presence of strong detergents such as sodium dodecyl sulfate and Triton X-100. The strong detergents helped to solubilize hydrophobic membrane proteins and then increased the access of hydrazide groups to oxidized glycoproteins, thus increasing the coverage of the N-glycoproteome. Compared with the conventional glycopeptide capture method, the detergent-assisted glycoprotein capture approach nearly doubled the number of N-glycosylation sites identified from HEK 293T cells with improved specificity. Application of this approach in the larger scale N-glycoproteomics analysis of the HEK 293T cell membrane led to the identification of 2253 unique N-glycosites from 953 proteins. Furthermore, the application of this approach to human serum resulted in the identification of 850 N-glycosylation sites without any immunodepletion or fractionation. Overall, the detergent-assisted glycoprotein capture method simplified the capture process, and it increased the number of sites observed on both hydrophobic membrane proteins and hydrophilic secreted proteins.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».