MétaCan
Menu
Retour à la cohorte
Enregistrement W2605025239 · doi:10.1002/pmic.201500522

SWATH‐ID: An instrument method which combines identification and quantification in a single analysis

2017· article· en· W2605025239 sur OpenAlexaff
Yang Kang, Lyle Burton, Adam Lau, Stephen Tate

Notice bibliographique

RevuePROTEOMICS · 2017
Typearticle
Langueen
DomaineChemistry
ThématiqueAdvanced Proteomics Techniques and Applications
Établissements canadiensOnex (Canada)
Organismes subventionnairesnon disponible
Mots-clésComputer scienceFragmentation (computing)Identification (biology)PeptideData acquisitionWindow (computing)Fragment (logic)Computational biologyData miningChemistryBiologyAlgorithmBiochemistryWorld Wide Web

Résumé

récupéré en direct d'OpenAlex

-MS, are showing great potential to reliably quantify significant numbers of peptides and proteins in an unbiased manner. These developments have enhanced interest in developing a single DIA method that integrates qualitative and quantitative analysis, eliminating the need of a prebuilt library of peptide spectra, which are created through data-dependent acquisition methods or from public repositories. Here, we introduce a new DIA approach, referred to as "SWATH-ID," which was developed to allow peptide identification as well as quantitation. The SWATH-ID method is composed of small Q1 windows, achieving better selectivity and thus significantly improving high-confidence peptide extractions from data files. Furthermore, the SWATH-ID approach transmits precursor ions without fragmentation as well as their fragments within the same SWATH acquisition period. This provides a single scan that includes all precursor ions within the isolation window as well as a record of all of their fragment ions, substantially negating the need for a survey scan. In this way all precursors present in a small Q1 window are associated with their fragment ions, improving the identification specificity and providing a more comprehensive and in-depth view of protein and peptide species in complex samples.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,093
Score d'incertitude au seuil0,628

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,040
Tête enseignante GPT0,344
Écart entre enseignants0,304 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations20
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePROTEOMICSMême sujetAdvanced Proteomics Techniques and ApplicationsTravaux en français237 207