Development of Automated SISCAPA Assays for High-Throughput Quantitation of Protein Biomarkers
Notice bibliographique
Résumé
Quantitation of proteotypic peptides in digests of plasma by SRM-MS allows specific, internally-standardized measurement of protein biomarkers and can achieve sub-nanogram/mL detection levels when specific anti-peptide antibodies are used to enrich target peptides from the plasma digests (SISCAPA). For this study, proteotypic tryptic peptides (initially 5 peptides per protein) were selected representing known protein biomarkers: PAI3 (protein C inhibitor), LPS binding protein, transferrin receptor, osteopontin, ferritin light chain, mesothelin, alpha-fetoprotein, HER2/neu, CA-125 and thyroglobulin. Affinity-purified polyclonal antibodies against the two peptides for each protein showing highest titers were characterized in SISCAPA assays, after which rabbit monoclonal antibodies (RabMAbs) were prepared (Epitomics, Inc.) against the best performing peptide for each target, except for Tg, for which mAbs were made against two peptides. The SISCAPA assay has been automated allowing processing of 96 samples in less than 30 minutes. The eluted peptides are delivered in a volume (20 μL) and solvent (5% acetic acid) suitable for subsequent injection into a reversed-phase LC system. Parameters for each of the 11 target peptides and cognate labeled standards have been optimized, permitting use of retention-time scheduled MRM data collection and rapid (3 min) analysis times. Results will be presented demonstrating the performance of the workflow for high-throughput quantitation of protein biomarkers.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,004 |
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 ».