Multi-laboratory assessment of reproducibility, qualitative and quantitative performance of SWATH-mass spectrometry
Notice bibliographique
Résumé
Abstract Quantitative proteomics employing mass spectrometry has become an indispensable tool in basic and applied life science research. Methods based on data-dependent acquisition have proved extremely valuable for qualitative proteome analysis but historically have struggled to achieve reproducible quantitative data if large sample cohorts are comparatively analyzed. Targeted proteomics, most commonly implemented as selected reaction monitoring, has emerged as a powerful alternative and succeeded in providing a data independent approach for reproducible quantitative proteomics data but is limited in the number of proteins quantified. SWATH-MS is a recently introduced technique consisting of a data-independent acquisition and a targeted data analysis strategy that aims to maintain the favorable quantitative characteristics (accuracy, sensitivity, specificity) achieved in targeted proteomics but on the scale of thousands of proteins. While previous SWATH-MS studies have shown high intra-lab reproducibility, this has not been evaluated on an inter-lab basis. In this multi-laboratory evaluation study using data from 11 sites worldwide, we have demonstrated that using SWATH-MS we can consistently detect and quantify more than 4,000 proteins from HEK293 cells and that the quantitative protein data generated across laboratories is reproducible. Using synthetic peptide dilution series, we have shown that the sensitivity, dynamic range and reproducibility established with SWATH-MS methods are also uniformly achieved across labs. This study demonstrates that SWATH-MS is a reproducible and accurate technique that can be confidently deployed for large-scale protein quantification in life science research.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,001 |
| 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 ».