Opposite Electron-Transfer Dissociation and Higher-Energy Collisional Dissociation Fragmentation Characteristics of Proteolytic K/R(X)<sub><i>n</i></sub> and (X)<i><sub>n</sub></i>K/R Peptides Provide Benefits for Peptide Sequencing in Proteomics and Phosphoproteomics
Notice bibliographique
Résumé
A key step in shotgun proteomics is the digestion of proteins into peptides amenable for mass spectrometry. Tryptic peptides can be readily sequenced and identified by collision-induced dissociation (CID) or higher-energy collisional dissociation (HCD) because the fragmentation rules are well-understood. Here, we investigate LysargiNase, a perfect trypsin mirror protease, because it cleaves equally specific at arginine and lysine residues, albeit at the N-terminal end. LysargiNase peptides are therefore practically tryptic-like in length and sequence except that following ESI, the two protons are now both positioned at the N-terminus. Here, we compare side-by-side the chromatographic separation properties, gas-phase fragmentation characteristics, and (phospho)proteome sequence coverage of tryptic (i.e., (X) n K/R) and LysargiNase (i.e., K/R(X) n ) peptides using primarily electron-transfer dissociation (ETD) and, for comparison, HCD. We find that tryptic and LysargiNase peptides fragment nearly as mirror images. For LysargiNase predominantly N-terminal peptide ions (c-ions (ETD) and b-ions (HCD)) are formed, whereas for trypsin, C-terminal fragment ions dominate (z-ions (ETD) and y-ions (HCD)) in a homologous mixture of complementary ions. Especially during ETD, LysargiNase peptides fragment into low-complexity but information-rich sequence ladders. Trypsin and LysargiNase chart distinct parts of the proteome, and therefore, the combined use of these enzymes will benefit a more in-depth and reliable analysis of (phospho)proteomes.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».