Accurate Quantitative Proteomic Analyses Using Metabolic Labeling and High Field Asymmetric Waveform Ion Mobility Spectrometry (FAIMS)
Notice bibliographique
Résumé
Stable isotope labeling by amino acids in cell culture (SILAC) is routinely used to profile changes in protein and peptide abundance across different experimental paradigms. As with other quantitative proteomic approaches, the detection of peptide isotopomers can be limited by the presence of interference ions that ultimately affect the quality of quantitative measurements. Here, we evaluate high field asymmetric waveform ion mobility spectrometry (FAIMS) to improve the accuracy and dynamic range of quantitative proteomic analyses using SILAC. We compared quantitative measurements for tryptic digests of isotopically labeled protein extracts mixed in different ratios using LC-MS/MS with and without FAIMS. To further reduce sample complexity, we also examined the improvement in quantitative measurements when combining strong cation exchange (SCX) fractionation prior to LC-MS/MS analyses. Using the same amount of sample consumed, analyses performed using FAIMS provided more than 30% and 200% increase in the number of quantifiable peptides compared to LC-MS/MS performed with and without SCX fractionation, respectively. Furthermore, FAIMS reduced the occurrence of interfering isobaric ions and improved the accuracy of quantitative measurements. We leveraged the application of FAIMS in phosphoproteomic analyses to profile dynamic changes in protein phosphorylation in HEK293 cells subjected to heat shock for periods up to 20 min. In addition to the enhanced phosphoproteomic coverage, FAIMS also provided the ability to separate phosphopeptide isomers that often coelute and can be misassigned in conventional LC-MS/MS experiments.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,002 |
| 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 ».