Quantifying Missing (Phospho)Proteome Regions with the Broad-Specificity Protease Subtilisin
Notice bibliographique
Résumé
Despite huge efforts to map the human proteome using mass spectrometry the overall sequence coverage achieved to date is still below 50%. Reasons for missing areas of the proteome comprise protease-resistant domains including the lack/excess of enzymatic cleavage sites, nonunique peptide sequences, impaired peptide ionization/separation and low expression levels. To access novel areas of the proteome the beneficial use of enzymes complementary to trypsin, such as Glu-C, Asp-N, Lys-N, Arg-C, LysargiNase has been reported. Here, we present how the broad-specificity protease subtilisin enables mapping of previously hidden areas of the proteome. We systematically evaluated its digestion efficiency and reproducibility and compared it to the gold standard in the field, trypsin. Notably, subtilisin allows reproducible near-complete digestion of cells lysates in 1-5 min. As expected from its broad specificity the generation of overlapping peptide sequences reduces the number of identified proteins compared to trypsin (8363 vs 6807; 1% protein FDR). However, subtilisin considerably improved the coverage of missing and particularly proline-rich areas of the proteome. Along 14 628 high confidence phosphorylation sites identified in total, only 33% were shared between both enzymes, while 37% were exclusive to subtilisin. Notably, 926 of these were not even accessible by additional in silico digestion with either Asp-N, Arg-C, Glu-C, Lys-C, or Lys-N. Thus, subtilisin might be particularly beneficial for system-wide profiling of post-translational modification sites. Finally, we demonstrate that subtilisin can be used for reporter-ion based in-depth quantification, providing a precision comparable to trypsin-despite broad specificity and fast digestion that may increase technical variance.
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 | 0,000 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».