Implementation of an antibody characterization process: Application to the major ALS/FTD disease gene C9ORF72
Notice bibliographique
Résumé
Rigorously characterized antibodies are a key resource in biomedical research, yet there are no community-accepted processes to characterize the quality of research grade antibodies. This has led to a proliferation of poorly characterized antibodies of suspect quality, which in turn has led to flaws in the literature that hamper research progress, including the study of human disease. We selected the human protein C9ORF72 as a test case to implement a more standardized antibody characterization process. Mutations in the gene C9ORF72 are the major genetic cause of amyotrophic lateral sclerosis and frontotemporal dementia but much remains unknown regarding the function of the encoded protein. We used CRISPR/Cas9-based knockout cells and knockout mice as controls to characterize 14 C9ORF72 antibodies including 12 commercially available antibodies advertised as selective for C9ORF72. We found one monoclonal antibody that is specific for the protein in immunoblot and that also recognizes C9ORF72 specifically in immunohistochemical applications on brain sections. A second C9ORF72 monoclonal antibody is effective for immunoprecipitation and immunofluorescence. Some of the antibodies that do not recognize C9ORF72 have been used in highly cited papers, raising concern over conclusions regarding previously reported C9ORF72 properties.
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 | 0,008 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».