ARiBo pull-down for riboproteomic studies based on label-free quantitative mass spectrometry
Notice bibliographique
Résumé
As part of their normal life cycle, most RNA molecules associate with several proteins that direct their fate and regulate their function. Here, we describe a novel method for identifying proteins that associate with a target RNA. The procedure is based on the ARiBo method for affinity purification of RNA, which was originally developed to quickly purify RNA with high yields and purity under native conditions. The ARiBo method was further optimized using in vitro transcribed RNA to capture RNA-associating proteins from cellular extracts with high yields and low background protein contamination. For these RNA pull-downs, stem-loops present in the immature forms of let-7 miRNAs (miRNA stem-loops) were used as the target RNAs. Label-free quantitative mass spectrometry analysis allowed for the reliable identification of proteins that are specific to the stem-loops present in the immature forms of two miRNAs, let-7a-1 and let-7g. Several proteins known to bind immature forms of these let-7 miRNAs were identified, but with an improved coverage compared to previous studies. In addition, several novel proteins were identified that better define the protein interactome of the let-7 miRNA stem-loops and further link let-7 biogenesis to important biological processes such as development and tumorigenesis. Thus, combining the ARiBo pull-down method with label-free quantitative mass spectrometry provides an effective proteomic approach for identification of proteins that associate with a target RNA.
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 | 0,001 |
| 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 | 0,000 |
| 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 ».