Author response: Determining composition of micron-scale protein deposits in neurodegenerative disease by spatially targeted optical microproteomics
Notice bibliographique
Résumé
Neurodegenerative diseases such as Alzheimer's disease affect millions of people worldwide. In many of these diseases, toxic proteins accumulate in the brain and build up as small ‘plaques’ in the gaps, or synapses, that cells called neurons communicate across. Eventually, the plaques prevent the neurons signaling to each other correctly, leading to problems such as memory loss. Identifying the proteins present in plaques is technically challenging, partly because the plaques are very small. Hadley, Rakhit et al. have now developed a new method called spatially targeted optical microproteomics (or STOMP) that can collect proteins from small areas of cells. In this method, plaques are identified under a light microscope, and their contents are attached to a molecule called a photo-affinity tag using lasers. The photo-tagged proteins are then pulled out using beads that specifically bind to the photo-affinity tag. The proteins can then be identified using a well-established method called mass spectrometry. Hadley, Rakhit et al. used STOMP to analyze plaques present in the brains of mice that develop similar symptoms to those seen in humans with Alzheimer's disease. This revealed that these plaques contain more than 50 different proteins, some of which had not previously been found in plaques. In particular, several proteins from the ‘presynaptic’ neuron that sends signals across the synapse were found in the plaques. However, no proteins from the receiving (‘postsynaptic’) neuron on the other side of the synapse were present in the plaque. Fixed human brain tissue is more difficult to analyze than mouse samples because it is modified for storage. In spite of these issues, Hadley, Rakhit et al. successfully also used STOMP to identify the proteins in human plaques. STOMP can be used to identify the proteins present in any area of a cell and thus has the potential to be widely used by scientists, not just those studying plaques.
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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,009 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,176 | 0,079 |
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 ».