An integrated proteomic and peptidomic assessment of the normal human urinome
Notice bibliographique
Résumé
BACKGROUND: Urine represents an ideal source of clinically relevant biomarkers as it contains a large number of proteins and low molecular weight peptides. The comprehensive characterization of the normal urinary proteome and peptidome can serve as a reference for future biomarker discovery. Proteomic and peptidomic analysis of urine can also provide insight into normal physiology and disease pathology, especially for urogenital diseases. METHODS: We developed an integrated proteomic and peptidomic analytical protocol in normal urine. We employed ultrafiltration to separate protein and peptide fractions, which were analyzed separately using liquid chromatography coupled to tandem mass spectrometry (LC-MS/MS) on the Q-Exactive mass spectrometer. RESULTS: By analyzing six urines from healthy individuals with advanced age, we identified 1754 proteins by proteomic analysis and 4543 endogenous peptides, arising from 566 proteins by peptidomic analysis. Overall, we identified 2091 non-redundant proteins by this integrated approach. In silico protease activity analysis indicated that metalloproteases are predominantly involved in the generation of the endogenous peptide signature. In addition, a number of proteins that were detected in normal urine have previously been implicated in various urological malignancies, including bladder cancer and renal cell carcinoma (RCC). CONCLUSIONS: We utilized a highly sensitive proteomics approach that enabled us to identify one of the largest sets of protein identifications documented in normal human urine. The raw proteomics and peptidomics data have been deposited to the ProteomeXchange Consortium via the PRIDE partner repository with the dataset identifier PXD003595.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».